Satellite-Based Crop Monitoring and Yield Estimation—A Review
Notice bibliographique
Résumé
To sustain food security and crop condition monitoring, yield estimation must improve at local and global scales. The aim of this review was to give a background of satellite-based crop monitoring and crop yield estimation, including the use of crop models. Recently, most advances in remote sensing techniques, aimed at complimenting the traditional crop harvest surveys, have focused on high-production and information-rich areas. However, there is limited research in dynamic landscapes using these techniques at local scales in most Southern African countries. Models such as the Decision Support System Agro-Technology’s (DSSAT) CERES-model, and Agricultural Production Simulator (APSIM) have been used to simulate maize biophysical parameters and yield variability in a changing climate. Despite the successes, there is still need to consider yield prediction using simplified models that decision-makers can use to plan for food support and sales. The application of freely-available satellite data with focus on maize crop as a staple for Southern Africa, highlights some challenges such as heavy reliance on agro-meteorological estimations and regional estimations of crop yield. It also raises questions of predicting across large growing belts without consideration of diverse cropping patterns. Conversely, future opportunities in crop monitoring and yield estimation using remotely sensed-data still shed a light of hope. For instance, employing multi-model configurations or multi-model ensembles is one of the major missing gaps needing consideration by crop modeling research. Other simpler, but versatile opportunities are the use of crop –monitoring applications on smart phones by small holder farmers to provide phenological data to decision makers throughout a growing season.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».