Suivi des cultures à l’aide des images d’observation de la Terre pour l’optimisation de la fertilisation azotée en agriculture de précision
Bibliographic record
Abstract
L’agriculture de précision est un principe de gestion des parcelles agricoles qui tient compte de la variabilité spatiale des besoins des cultures en intrants, comme les fertilisants. Les images satellites sont souvent utilisées en agriculture de précision comme source d’information sur la croissance des cultures, notamment pour l’optimisation de la fertilisation azotée des grandes cultures comme le maïs. Ce travail porte sur l’utilisation des séries d’images PlanetScope pour suivre la croissance du maïs et déduire les besoins en fertilisation azotée. L’étude a été menée sur diverses parcelles de la ferme expérimentale de L'Acadie appartenant au Centre de Recherche et de Développement de Saint-Jean-sur-Richelieu (CRDSJR) d'Agriculture et Agroalimentaire Canada. Des sériestemporelles de réflectances au sol fournies par les images Planet ont été recalibrées à l’aide d’une méthode statistique qui réduit les fluctuations dues aux problèmes decalibration des nombreux capteurs PlanetScope, puis utilisées pour calculer l’indice de végétation NDVI. Les résultats montrent qu’il existe une relation entre la croissance exprimée par la série temporelle de NDVI et les quantités d’azote dans le sol et dans les tissus végétaux. Ceci montre, entre autres, qu’une série d’images satellites bien calibréesest plus utile pour déterminer les besoins en azote qu’une seule image.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".