Crop Yield Estimation of Teff (Eragrostis tef Zuccagni) Using Geospatial Technology and Machine Learning Algorithm in the Central Highlands of Ethiopia
Notice bibliographique
Résumé
The genus Eragrostis tef Zuccagni is commonly known as “Teff”, is an indigenous cereal crop and is the major staple food crop in Ethiopia. It is mostly used to prepare a spongy flatbread called “Injera” and is consumed by more than 70% of the Ethiopian people. This study is conducted at nine Teff-dominated zones of the country to examine whether geospatial technology can serve to estimate the productivity of crop yield. For this, ground truth sample plots were used for nine zones, and geospatial technology and machine learning were applied for upscaling to the whole study area’s scale. Very good correlation results were obtained from spatial predictions of Teff yield for 2015 and 2020 with ROC-AUC of 89 and 91% and R2 of 0.67 and 0.73, respectively. The average predicted yields of Teff were about 1.37 t/ha and 1.99 t/ha for 2015 and 20202, respectively, indicating that such technology can offer a very good result to estimate yields for unreachable areas in the case of either during unfavorable political or other natural conditions. By doing so, we can plan to apply such technologies that can serve to save time, effort, and resources.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».