Crop Yield Estimation Using Time-Series MODIS Data and the Effects of Cropland Masks in Ontario, Canada
Notice bibliographique
Résumé
This study investigated the estimation of grain yields of three major annual crops in Ontario (corn, soybean, and winter wheat) using MODIS reflectance data extracted with a general cropland mask and crop-specific masks. Time-series two-band enhanced vegetation index (EVI2) was derived from the 8 day composite 250 m MODIS reflectance data from 2003 to 2016. Using a general cropland mask, the strongest positive linear correlation between crop yields and EVI2 was observed at the end of July to early August, whereas a negative correlation was observed in spring. Using crop-specific masks, the time of the strongest positive linear correlation for winter wheat was found between mid-May and early June, corresponding to peak growth stages of the crop. EVI2 derived at peak growth stages of a crop provided good predictive capability for grain yield estimation, with considerable inter-annual variation. A multiple linear regression model was established for county-level yield estimation using EVI2 at peak growth stages and the year as independent variables. The model accounted for the spatiotemporal variability of grain yields of about 30% and 47% for winter wheat, 63% and 65% for corn, and 59% and 64% for soybean using the general cropland mask and crop-specific masks, respectively. A negative correlation during the spring indicated that vegetation index extracted using a general cropland mask should be used with caution in regions with mixed crops, as factors other than the growth conditions of the targeted crops may also be captured by remote sensing data.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».