Leveraging geospatial data to improve soil characterization for precision agriculture
Bibliographic record
Abstract
La compréhension de l'hétérogénéité de la parcelle permet de contrôler avec précision afin que le gaspillage soit minimisé et que le profit soit maximisé. L'objectif général de cette thèse est d'évaluer les méthodes actuelles de cartographie des sols en utilisant l'échantillonnage conventionnel par grilles systématiques et les systèmes de détection du sol à proximité et aussi de développer des stratégies analytiques et des outils d'évaluation économique pour soutenir les applications agricoles de précision.Le premier objectif était d'optimiser la caractérisation des parcelles en utilisant l'échantillonnage conventionnel par grille de 1 ha. Trois types de schémas d'échantillonnage, et trois types de méthodes d'interpolation spatiale, ont été évalués. Deux parcelles agricoles du centre-nord de l'Ukraine ont été utilisées pour mettre en œuvre les stratégies proposées. De plus, des mesures de la conductivité électrique apparente du sol et des données d'échantillonnage des sols à haute densité recueillies dans sept parcelles supplémentaires du Nebraska ont été utilisées pour simuler l'effet de la dimension de grille sur la performance des stratégies proposées et discuter des enjeux de la cartographie par grilles systématiques.Dans le cadre du second objectif, l'optimisation de la cartographie basée sur un seul capteur a été évaluée en étudiant les stratégies d'échantillonnage pour permettre la calibration du capteur. Un exemple d'estimation de la matière organique basée sur les capteurs optiques été démontré. Les mesures de réflectance du sol prisent par un appareil commercial à deux canaux [dans le domaine du rouge et proche infrarouge] ont été reliées avec les mesures de dans 15 parcelles agricoles. Des analyses de régression linéaire simple, RMSE et « D-optimality » ont été utilisées pour décrire les exigences pour l'implémentation des capteurs ainsi que pour déclarer les résultats d'étalonnage réussis. Le troisième objectif était l'optimisation de la cartographie multi-capteurs à travers l'évaluation du nouvel algorithm servant à la conception d'échantillonnage d'étalonnage optimale. Les données de captage multi-couches ont été recueillies à l'aide d'une « mobile sensor platform » assemblant des capteurs CEa, optiques et de pH ainsi qu'un récepteur de système de positionnement par satellites de niveau cinématique en temps réel. Les échantillons de sol obtenus à partir de dix parcelles d'étalonnage désignées ont été utilisés pour corréler les mesures de capteurs avec les propriétés physico-chimiques du sol pour deux parcelles dans l'est de l'Ontario, Canada. Les régressions linéaires multiples de sous-ensemble ont été utilisées pour établir des modèles de calibration pour la cartographie par capteurs. Les cartes à grilles de 1 ha dérivées de l'interpolation basés sur le krigeage ordinaire ont été comparées aux cartes basées sur les capteurs. Sur chaque parcelle, dix échantillons de sol aléatoires supplémentaires ont été collectés pour évaluer la précision globale de chaque carte.Dans le cadre du quatrième et dernier objectif, l'optimisation de la ressource agricole et de la rentabilité à l'aide de données géospatiales a été abordée en développant un outil d'évaluation économique pour les applications à taux variable (ATV). Les avantages de l'optimisation de l'eau d'irrigation à l'aide de la technologie d'irrigation aux taux d'apports variables, ont été obtenus en intégrant des fonctions de rendement et de déclin spatialement dynamiques. Pour démontrer la performance de l'outil, la carte CEa a été utilisée comme approximation du potentiel de réserve de l'eau dans le sol et la carte topographique a été utilisée comme approximation des effets d'engorgement dans une parcelle de 20 ha dans le sud de l'Alberta. Au total, 62 scénarios de gestion de l'irrigation ont été comparés en termes de rentabilité anticipée: 1) pas d'irrigation, 2) gestion uniforme, 3) « VRI Speed Control » et 4) « VRI Zone Control ».
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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; a candidate call from one teacher head, 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".