Développement d'une méthodologie pour l'estimation du potentiel agricole des sols cultivés en pomme de terre dans l'Est du Canada à l'aide de l'imagerie satellitaire optique
Bibliographic record
Abstract
La délimitation de zones d’aménagement (MZ) est l’une des approches de l’agriculture de précision permettant de gérer la variabilité spatiale des cultures. Néanmoins, leur délimitation repose généralement sur l’acquisition de données complexes, souvent coûteuses ou nécessitant un équipement spécialisé. Les indices de végétation, comme l’indice de végétation par différence normalisée (NDVI) dérivé d’images satellites optiques, constituent une alternative accessible et économique. En particulier, les composites temporels du NDVI permettent de capturer les variations de la végétation influencées par le climat, les sols et les pratiques agricoles. Ils offrent ainsi une vision globale et cohérente de la dynamique spatio-temporelle des cultures. Cette étude avait pour objectif d’estimer le potentiel agricole de champs de pommes de terre (Solanum tuberosum L.) en culture commerciale en utilisant une analyse diachronique d’images satellites. Elle a été réalisée sur 17 champs situés à Florenceville-Bristol, au Nouveau-Brunswick, entre 2015 et 2023. Un total de 230 images NDVI, issues des satellites Sentinel-2 et Landsat 8, ont été utilisées. Trois MZ ont été générées à partir des composites maximaux du NDVI et caractérisées par des métriques statistiques (la moyenne, l’asymétrie et l’écart-type). La validation des zones s’est appuyée sur les rendements de 2023 et les propriétés physicochimiques des sols. Les résultats ont montré une forte concordance entre les MZ, les rendements, le carbone total et l’azote total.
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 | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".