SOYBEAN YIELD FORECAST USING DUAL-POLARIMETRIC C-BAND SYNTHETIC APERTURE RADAR
Notice bibliographique
Résumé
Abstract. Crop yield forecast is important, but determining productivity is an on-going challenge for agricultural communities including policy makers. An increase in the number of satellites, improved temporal and spatial resolutions and more open data policies, are leading to wider interest by the agricultural sector in exploiting space-based data at moderate spatial resolutions (10–30 m) and varying wavelengths (optical and microwave) for crop yield monitoring. This study evaluated Sentinel-1 dual-polarimetric data to forecast soybean yields one month before the harvest at field scales over a site in central Argentina. Specifically, polarimetric features were extracted from the Sentinel-1 data using the M-Chi decomposition. An Artificial Neural Network (ANN) model was trained using a time series of the single-bounce and volume scattering parameters derived from M-Chi from stacks of data acquired during the growing season. To estimate soybean yield from the ANN model, an innovative iterative retrieval method was developed. This retrieval approach improved the accuracies of the soybean yield forecast delivering a final coefficient of determination (R2) of 0.81 with a root mean square error (RMSE) of 755.81 kg/ha and mean absolute error (MAE) of 581.65 kg/ha. These accuracies demonstrate a high potential of Synthetic Aperture Radar (SAR) data from Sentinel-1 for soybean yield forecast at field scales.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».