Statistical analysis for satellite-index-based insurance to define damaged pasture thresholds
Notice bibliographique
Résumé
Abstract. Vegetation indices based on satellite images, such as the normalized difference vegetation index (NDVI), have been used in countries like the USA, Canada and Spain for damaged pasture and forage insurance over the last few years. This type of agricultural insurance is called satellite-index-based insurance (SIBI). In SIBI, the occurrence of damage is defined as normal distributions. In this work a pasture area at the north of the Community of Madrid (Spain) has been delimited by means of Moderate Resolution Imaging Spectroradiometer (MODIS) images. A statistical analysis of NDVI histograms was applied to seek for alternative distributions using the maximum likelihood method and χ2 test. The results show that the normal distribution is not the optimal representation and the generalized extreme value (GEV) distribution presents a better fit through the year based on a quality estimator. A comparison between normal and GEV is shown with respect to the probability under a NDVI threshold value throughout the year. This suggests that an a priori distribution should not be selected and a percentile methodology should be used to define a NDVI damage threshold rather than the average and standard deviation, typically of normal distributions. Highlights. The GEV distribution provides better fit to the NDVI historical observations than the normal one. Differences between normal and GEV distributions are higher during spring and autumn, which are transition periods in the precipitation regimen. NDVI damage threshold shows evident differences using normal and GEV distributions both covering the same probability (24.20 %). NDVI damage threshold values based on percentile calculation are proposed as an improvement in the index-based insurance in damaged pasture.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».