Development of a remote sensing-based rice yield forecasting model
Notice bibliographique
Résumé
This study aimed to develop a remote sensing-based method for forecasting rice yield by considering vegetation greenness conditions during initial and peak greenness stages of the crop; and implemented for “boro” rice in Bangladeshi context. In this research, we used Moderate Resolution Imaging Spectroradiometer (MODIS)-derived two 16-day composite of normalized difference vegetation index (NDVI) images at 250 m spatial resolution acquired during the initial (January 1 to January 16) and peak greenness (March 23/24 to April 6/7 depending on leap year) stages in conjunction with secondary datasets (i.e., boro suitability map, and ground-based information) during 2007-2012 period. The method consisted of two components: (i) developing a model for delineating area under rice cultivation before harvesting; and (ii) forecasting rice yield as a function of NDVI. Our results demonstrated strong agreements between the model (i.e., MODIS-based) and ground-based area estimates during 2010-2012 period, i.e., coefficient of determination (R2); root mean square error (RMSE); and relative error (RE) in between 0.93 to 0.95; 30,519 to 37,451 ha; and ±10% respectively at the 23 district-levels. We also found good agreements between forecasted (i.e., MODIS-based) and ground-based yields during 2010-2012 period (R2 between 0.76 and 0.86; RMSE between 0.21 and 0.29 Mton/ha, and RE between -5.45% and 6.65%) at the 23 district-levels. We believe that our developments of forecasting the boro rice yield would be useful for the decision makers in addressing food security in Bangladesh.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».