Deep Learning Approach for Forecasting Apple Yield using Soil Parameters
Notice bibliographique
Résumé
Procuring apple yield prior to harvest is essential since it helps in estimating the apple production and prices. A compound Deep Learning (DL) model, SeriesNet with Gated Recurrent Unit (GRU) and Attention (Att-SeriesNet-GRU), is used in this work to predict the apple yield for 15 counties across 6 different Crop Reporting Districts (CRD) in California. The DL model is trained using static soil parameters, which remain constant over years per county and dynamic parameters, which change daily or monthly for a specific county as input, and the corresponding annual apple yield for that county as output. If the training is done based on a single county data then the static parameters won’t add information to the DL model since they remain constant over years per county. Therefore, considering different counties across California is decided to study the effect of considering the static soil parameters along with the dynamic ones. The county level annual apple yield forecast using both static and dynamic parameters together gives promising results. Experimenting with the test set as input shows that adding the static parameters together with the dynamic ones gives an improvement of around 34% in the value of Aggregated Measure (AGM) over the case of using the dynamic parameters alone for yield forecasting. It is also found that training the DL model with augmented training set improves the AGM value by around 12%.
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 ».