Advances in precision agriculture in south-eastern Australia. II. Spatio-temporal prediction of crop yield using terrain derivatives and proximally sensed data
Notice bibliographique
Résumé
The effects of seasonal as well as spatial variability in yield maps for precision farming are poorly understood, and as a consequence may lead to low predictability of future crop yield. The potential to utilise terrain derivatives and proximally sensed datasets to improve this situation was explored. Yield data for four seasons between 1996 and 2005, proximal datasets including EM38, EM31, and ?-ray spectra for 2003–06, were collected from a site near Birchip. Elevation data were obtained from a Differential Global Positioning System and terrain derivatives were formulated. Yield zones developed from grain yield data and yield biomass estimations were included in this analysis. Statistical analysis methods, including spatial regression modelling, discriminant analysis via canonical variates analysis, and Bayesian spatial modelling, were undertaken to examine predictive capabilities of these datasets. Modelling of proximal data in association with crop yield found that EM38h, EM38v, and ?-ray total count were significantly correlated with yield for all seasons, while the terrain derivatives, relative elevation, slope, and elevation, were associated with yield for one season (1996, 1998, or 2005) only. Terrain derivatives, aspect, and profile and planimetric curvature were not associated with yield. Modest predictions of crop yield were established using these variables for the 1996 yield, while poor predictions were established in modelling yield zones.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».