FarmCan: a physical, statistical, and machine learning model to forecast crop water deficit for farms
Notice bibliographique
Résumé
Abstract. In the coming decades, a changing climate, the loss of high-quality land, the slowing in the annual yield of cereals, and increasing fertilizer use indicate that better agricultural water management strategies are needed. In this study, we designed FarmCan, a novel, robust remote sensing and machine learning (ML) framework to forecast farms' needed daily crop water quantity or needed irrigation (NI). We used a diverse set of simulated and observed near-real-time (NRT) remote sensing data coupled with a random forest (RF) algorithm and inputs about farm-specific situations to predict the amount and timing of evapotranspiration (ET), potential ET (PET), soil moisture (SM), and root zone soil moisture (RZSM). Our case study of four farms in the Canadian Prairies Ecozone (CPE) shows that 8 d composite precipitation (P) has the highest correlation with changes (Δ) of RZSM and SM. In contrast, 8 d PET and 8 d ET do not offer a strong correlation with 8 d P. Using R2, root mean square error (RMSE), and Kling–Gupta efficiency (KGE) indicators, our algorithm could reasonably calculate daily NI up to 14 d in advance. From 2015 to 2020, the R2 values between predicted and observed 8 d ET and 8 d PET were the highest (80 % and 54 %, respectively). The 8 d NI also had an average R2 of 68%. The KGE of the 8 d ET and 8 d PET in four study farms showed an average of 0.71 and 0.50, respectively, with an average KGE of 0.62. FarmCan can be used in any region of the world to help stakeholders make decisions during prolonged periods of drought or waterlogged conditions, schedule cropping and fertilization, and address local government policy concerns.
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 | 0,001 | 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 ».