Aplicación y validación de metodologías de zonificación y modelos de simulación para la gestión de grandes superficies de cultivo de tomate para industria en las vegas bajas del Guadiana
Bibliographic record
Abstract
La tesis está compuesta por 4 capítulos:\n\n\n\nCapítulo uno: se expone la combinación la Conductividad Eléctrica Aparente, y el Índice Normalizado de Vegetación (NDVI). El estudio se llevó a cabo en una parcela comercial de tomate para industria, donde mapas predictivos de CEa y NDVI desarrollados mediante un análisis geoestadístico fueron comparados con la producción final obtenida en el cultivo.\n\n\n\nCapítulo dos: se utilizó la fuerte relación existente entre la textura del suelo y la CEa para evaluar una metodología encaminada a zonificar los terrenos agrícolas desde el punto de vista del manejo del riego, mediante el uso de un análisis geoestadístico de regresión krigeado, donde las variables utilizadas fueron la conductividad eléctrica aparente del terreno y los datos analizados en laboratorio derivados de un muestreo de suelo guiado en función de la conductividad eléctrica aparente.\n\n\n\nCapítulo tres: se desarrolló una metodología basada en la capacidad predictiva del índice de vegetación normalizado sobre la productividad del cultivo. Se realizó un mapa de NVDI que fue utilizado para la posterior realización de un muestreo guiado de producción, como variable principal se utilizaron los datos de producción obtenidos en campo, y como variable secundaria los valores de índice de vegetación normalizado desarrollados sobre el cultivo.\n\n\n\nCapítulo cuatro: se evaluó la utilidad del uso combinado de los modelos de simulación implementados con técnicas de agricultura de precisión. En este capítulo se utilizó la metodología de zonificación de suelo desarrollada en el capítulo dos para establecer puntos de control, dichos puntos fueron utilizados para evaluar la capacidad del modelo de simulación AquaCrop para determinar la productividad del cultivo.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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; both teacher heads agree on what is shown here.
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".