Innovative Fusion-Based Strategy for Crop Residue Modeling
Notice bibliographique
Résumé
The purpose of this study was to present a new strategy based on fusion at the decision level for modeling the crop residue. To this end, a set of satellite imagery and field data, including the Residue Cover Fraction (RCF) of corn, wheat and soybean was used. Firstly, the efficiency of Random Forest Regression (RFR), Support Vector Regression (SVR), Artificial Neural Networks (ANN) and Partial-Least-Squares Regression (PLSR) in RCF modeling was evaluated. Furthermore, to increase the accuracy of RCF modeling, different algorithms results were combined based on their modeling error, which is called the decision-based fusion strategy. The R2 (RMSE) between the actual and modeled RCF based on ANN, RFR, SVR and PLSR algorithms for corn were 0.83 (3.89), 0.86 (3.25), 0.76 (4.56) and 0.75 (4.81%), respectively. These values were 0.81 (4.86), 0.85 (4.22), 0.78 (5.45) and 0.74 (6.20%) for wheat and 0.81 (3.96), 0.83 (3.38), 0.76 (5.01) and 0.72 (5.65%) for soybean, respectively. The error of corn, wheat and soybean RCF estimating decision-based fusion strategy was reduced by 0.90, 0.96 and 0.99%, respectively. The results showed that by implementing the decision-based fusion strategy, the accuracy of the RCF modeling was significantly improved.
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) | 0,003 | 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 ».