MARC

 008240612s2021      us  |||||||||||||||c||eng  d
■001000016930965
■00520240214095844
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380410373
■035    ▼a(MiAaPQ)AAI28644460
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a631.4
■1001  ▼aNigon,  Tyler  John.
■24510▼aUncertainty  in  Economic  Optimum  Nitrogen  Rate  and  Accuracy  of  Drone  Hyperspectral  Imaging  for  Precision  Nitrogen  Management  in  Maize▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Minnesota.  ▼c2021
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2021
■300    ▼a1  online  resource(151  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Yang,  Ce;Mulla,  David.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2021.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aOver  the  past  century,  the  global  nitrogen  cycle  has  been  substantially  altered  by  nitrogen  fixation  via  the  Haber-Bosch  process.  This  fixed  nitrogen  is  primarily  used  as  fertilizer,  ultimately  supporting  food,  fuel,  and  fiber  production  for  the  ever-growing  global  human  population.  In  the  United  States,  maize  production  uses  far  more  Haber-Bosch  nitrogen  than  any  other  activity.  Nitrogen  fertilizer  is  necessary  to  achieve  optimal  profits,  but  also  contributes  to  unintended  environmental  pollution,  especially  when  applied  in  excess.  A  great  deal  of  research  has  been  conducted  over  the  past  several  decades  to  improve  maize  nitrogen  fertilizer  recommendations.  However,  recommendations  are  still  less  accurate  than  necessary  at  the  field  level  to  successfully  balance  the  resulting  economic  and  environmental  tradeoffs.  The  overarching  goal  of  this  research  was  to  improve  the  understanding  and  extensibility  of  precision  nitrogen  fertilizer  recommendations  for  maize.  This  goal  was  addressed  by  focusing  on  two  areas  that  currently  leads  to  much  of  the  uncertainty  around  recommendations:  i)  uncertainty  around  the  modeled  economic  optimal  nitrogen  rate  derived  from  yield  response  data  and  ii)  quality  control  standards  for  developing  and  implementing  remote  sensing-based  models  for  predicting  in-season  crop  nitrogen  status.  The  focal  point  of  each  of  these  research  areas  is  the  spatial  and  temporal  variation  that  exists  in  nitrogen  requirements  across  space  and  from  season  to  season.  The  results  from  this  research  show  there  was  substantial  variability  in  the  modeled  economic  optimal  nitrogen  rates  for  several  sites  across  Minnesota  (90%  confidence  intervals  ranged  from  42  to  485  kg  ha-1).  Any  regional  economic  or  social  analyses  are  only  as  reliable  as  this  range  of  uncertainty  around  the  modeled  optimal  rate,  so  caution  must  be  taken  to  avoid  misguided  policy  recommendations.  Hyperspectral  imaging  was  used  to  accurately  predict  early-season  maize  nitrogen  uptake  (relative  RMSE    24%).  Optimizing  the  image  processing  protocol  improved  accuracy  further,  but  it  remains  a  challenge  to  predict  the  optimal  nitrogen  rate  from  early-season  nitrogen  status  metrics  such  as  nitrogen  uptake.  Doing  so  is  a  necessary  step  towards  estimating  nitrogen  need  and  applying  nitrogen  at  the  most  suitable  rates  and  times  so  nitrogen  recovery  is  maximized  and  nutrient  loss  is  minimized.
■590    ▼aSchool  code:  0130.
■650  4▼aSoil  sciences.
■650  4▼aRemote  sensing.
■650  4▼aAgriculture.
■650  4▼aPlant  sciences.
■653    ▼aCrop  nitrogen  status
■653    ▼aCross-validation
■653    ▼aHyperspectral  imaging
■653    ▼aImage  processing
■653    ▼aMachine  learning
■653    ▼aSupervised  regression
■690    ▼a0481
■690    ▼a0799
■690    ▼a0473
■690    ▼a0479
■71020▼aUniversity  of  Minnesota▼bLand  and  Atmospheric  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2021
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16930965▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books