Estimation of Crop Biomass and Leaf Area Index from Multitemporal and Multispectral Imagery Using Machine Learning Approaches
Notice bibliographique
Résumé
Accurate estimation of biomass and Leaf Area Index (LAI) requires appropriate models and predictor variables. These biophysical parameters are indicative of crop productivity, and thus, are of interest in applications such as crop yield forecasting and precision farming. This study evaluated the potential of leveraging vegetation indices derived from multi-temporal RapidEye data using a machine learning approach to estimate crop biomass and LAI. Both near-infrared and red-edge based indices were considered in this study. In-situ measurements of these two parameters for three main cash crops, including canola, corn, and soybeans, were collected during a field campaign and used for model calibration and validation. Crops models were developed using the artificial neural network (ANN) and support vectors regression (SVR). Results showed that, for each crop, the SVR modeled LAI and biomass more accurately than ANN. For biomass, the SVR’s Root Mean Square Errors (RMSEs) were reported as 25.22 g/m2 for canola, 88.13 g/m2 for corn, 5.91 g/m2 for soybean, and 56.14 g/m2 for all crops pooled. Similarly, for the LAI, SVR provided the best model with RMSE = 0.59 m2/m2 for canola, RMSE = 0.27 m2/m2 for corn, RMSE = 0.21 m2/m2 for soybean, and RMSE = 0.51 m2/m2 for all crops together.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».