A Comparison between Support Vector Machine and Water Cloud Model for Estimating Crop Leaf Area Index
Notice bibliographique
Résumé
The water cloud model (WCM) can be inverted to estimate leaf area index (LAI) using the intensity of backscatter from synthetic aperture radar (SAR) sensors. Published studies have demonstrated that the WCM can accurately estimate LAI if the model is effectively calibrated. However, calibration of this model requires access to field measures of LAI as well as soil moisture. In contrast, machine learning (ML) algorithms can be trained to estimate LAI from satellite data, even if field moisture measures are not available. In this study, a support vector machine (SVM) was trained to estimate the LAI for corn, soybeans, rice, and wheat crops. These results were compared to LAI estimates from the WCM. To complete this comparison, in situ and satellite data were collected from seven Joint Experiment for Crop Assessment and Monitoring (JECAM) sites located in Argentina, Canada, Germany, India, Poland, Ukraine and the United States of America (U.S.A.). The models used C-Band backscatter intensity for two polarizations (like-polarization (VV) and cross-polarization (VH)) acquired by the RADARSAT-2 and Sentinel-1 SAR satellites. Both the WCM and SVM models performed well in estimating the LAI of corn. For the SVM, the correlation (R) between estimated LAI for corn and LAI measured in situ was reported as 0.93, with a root mean square error (RMSE) of 0.64 m2m−2 and mean absolute error (MAE) of 0.51 m2m−2. The WCM produced an R-value of 0.89, with only slightly higher errors (RMSE of 0.75 m2m−2 and MAE of 0.61 m2m−2) when estimating corn LAI. For rice, only the SVM model was tested, given the lack of soil moisture measures for this crop. In this case, both high correlations and low errors were observed in estimating the LAI of rice using SVM (R of 0.96, RMSE of 0.41 m2m−2 and MAE of 0.30 m2m−2). However, the results demonstrated that when the calibration points were limited (in this case for soybeans), the WCM outperformed the SVM model. This study demonstrates the importance of testing different modeling approaches over diverse agro-ecosystems to increase confidence in model performance.
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 ».