Within-Field Yield Prediction in Cereal Crops Using LiDAR-Derived Topographic Attributes with Geographically Weighted Regression Models
Notice bibliographique
Résumé
Accurate yield estimation and optimized agricultural management is a key goal in precision agriculture, while depending on many different production attributes, such as soil properties, fertilizer and irrigation management, the weather, and topography.The need for timely and accurate sensing of these inputs at the within field-scale has led to increased adoption of very high-resolution remote and proximal sensing technologies. With regard to topography attributes, greater attention is currently being devoted to LiDAR datasets (Light Detection and Ranging), mainly because numerous topographic variables can be derived at very high spatial resolution from these datasets. The current study uses LiDAR elevation data from agricultural land in southern Ontario, Canada to derive several topographic attributes such as slope, and topographic wetness index, which were then correlated to seven years of crop yield data. The effectiveness of each topographic derivative was independently tested using a moving-window correlation technique. Finally, the correlated derivatives were selected as explanatory variables for geographically weighted regression (GWR) models. The global coefficient of determination values (determined from an average of all the local relationships) were found to be R2 = 0.80 for corn, R2 = 0.73 for wheat, R2 = 0.71 for soybeans and R2 = 0.75 for the average of all crops. These results indicate that GWR models using topographic variables derived from LiDAR can effectively explain yield variation of several crop types on an entire-field scale.
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 | 0,001 |
| 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 ».