A New Approach to Statistical Process Control: Identification of Outliers in Yield Maps
Notice bibliographique
Résumé
The tools of precision agriculture are of utmost importance in the Brazilian agribusiness, enabling increases in yields and reducing production costs. The use of harvest monitoring systems makes it possible due the possibility to identify pontual problems in an area, however, it becomes necessary to be working properly so it does not acquire incorrect information. Therefore, the purpose with this study was to propose a new approach to identify discrepant points in harvesting maps using statistical process control, as well as to define the best multiple of the standard deviation to identificate these points. The work was conducted during the soybean harvesting at São Geronimo farm in an area of 38 hectares in the municipality of Candido Mota, located in the the state of São Paulo. For gathering information, it was used a Stara crop monitoring system (model Topper Maps) set to record information during harvest in each three second. The productivity data were used to generate an individual control chart to identify points that were out of control so they could be removed. Two standard deviation multiples, that presented an average productivity closer to the average real productivity of the area, were selected. The multiples of the deviations that came closest were the 2σ and 3σ. Two multiples of standard deviation presented an average yield closer to the average real yield of the area. Individual control charts can be used to set control limits and identify possible discrepancies. The multiple of standard deviation 3σ presented information with greater reliability.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».