Application of variable-rate irrigation technology to conserve water and improve crop productivity
Bibliographic record
Abstract
L'irrigation à débit variable (IDV) est une technologie émergente qui optimise la consommation énergétique et en eau et augmente les rendements des cultures, tout en minimisant les impacts environnementaux. Les objectifs de cette recherche étaient donc évaluer la performance de l'IDV, évaluer la variabilité spatiotemporelle des champs agricoles pour délimiter des zones de gestion d'irrigation, quantifier le potentiel en économie énergétique et en eau de l'IDV, et les avantages de la productivité des cultures de l'IDV pour deux types de cultures dans le sud de l'Alberta. Cette étude inclut une expérience sur le terrain d'une durée de quatre ans, entre les années 2013 et 2016, au Centre de technologie d'irrigation de l'Alberta au sud de l'Alberta. Lors des saisons de croissance de 2013 et de 2014, le champ fut semé avec le blé de force roux de printemps (FRP), et, lors des saisons de croissance de 2015 et de 2016, la pomme de terre Russet Burbank. En 2013 et 2014, la performance d'un système d'irrigation à pivot central (SIPC) équipé d'un ajout commercial d'IDV furent évaluées. L'uniformité de l'application le long des axes latéraux et longitudinaux était supérieur à 90 % pour la majorité des essaies sous de différentes conditions de force du vent et de profondeur d'application de l'eau. Les vitesses de vent supérieures à 3,3 m s-1 ont réduit l'uniformité de l'application de 3,9%. Les mesures du débit volumétrique au point de pivot du système indiquèrent que des économies en eau atteignant 34% peuvent être obtenues avec un système d'IDV, tandis que les coût énergétiques moyens diminuèrent de 18% par comparaison avec le système sans IDV lors des années 2013 et 2014 en raison de la non-application de l'eau dans des zones comme les étangs, les routes et les zones non cultivées sur le site de l'étude.Les variations temporelles et spatiales des propriétés physiques et chimiques du sol furent mesurées afin de délimiter les zones de gestion d'irrigation pour l'IDV. Le nombre de variables optimal pour la délimitation fut identifié à l'aide d'une approche de régression multivariée et un algorithme de groupement des moyennes-C floues. Parmi 10 paramètres, la conductivité électrique (CE) du sol pH, et l'élévation du champ furent identifiées comme les meilleurs paramètres pour délimiter le champ en zones de gestion. Les critères de validité indiquèrent que les trois zones ainsi identifiées étaient effectivement les zones optimales pour le site d'étude utilisant CE et l'élévation du champ. Des analyses statistiques montrèrent que ces zones ont des différences significatives en rendement des cultures. Lors de la saison de croissance de 2014, le rendement du blé était le plus élevé (4,80 t ha-1) dans les régions en zone de gestion numéro trois, là où là CE était basse et l'élévation plus élevée. Le rendement en grains le plus bas (2,22 t ha-1) se trouvait dans les régions en zone de gestion numéro un, avec une CE élevé et une élévation inférieure. Le modèle AquaCrop fut utilisé pour optimiser la productivité des cultures dans les trois zones de gestion, utilisant des simulations de blé FRP sous de différents scénarios d'irrigation pour démontrer que le rendement des cultures pourrait être augmenté avec une application d'irrigation optimisée et gestion du drainage.Cette étude évalua aussi la productivité des pommes de terre avec la technologie d'IDV en 2015 et en 2016. Trois régimes d'irrigations (haut, normal, et bas) furent appliqués aux cultures de pommes de terre Russet Burbank. En 2015, une application d'eau élevée dans les parcelles expérimentales n'a occasionné aucune amélioration significative dans les rendements de pomme de terre, et la récolte dans les parcelles témoins (irrigation normale) était plus uniforme en taille et en qualité des tubercules. En 2016, il n'y avait aucune différence significative entre les paramètres de rendement et de qualité analysés pour les différents traitements d'irrigation.
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 | 0.000 | 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".