Enhancing Fresh Produce Yield Forecasting Using Vegetation Indices from Satellite Images
Notice bibliographique
Résumé
Developing fresh produce yield forecasting service is essential for estimating fair prices to protect against overpriced agricultural commodities and minimize the bid ask spread which not only benefits the retailers and customers but also protects farmers. Forecasting the fresh produce yield is achieved using state of the art deep learning (DL) models. Those models are trained and built using data retrieved from Santa Barbara region in California using an ensemble of Attention Deep Feedforward Neural Network with Gated Recurrent Units (GRU) and Deep Feedforward Neural Network with embedded GRU units. The ensemble takes as input the soil moisture and temperature parameters as well as vegetation indices (VIs) calculated from images retrieved from multiple satellites. The effect of adding the VIs as input parameters on the forecasting performance of the deep learning model is assessed and the most effective VIs are selected. In addition, interpolation techniques are used to estimate the missing VIs due to the low frequency of capturing the images by the satellites. A comparative analysis is conducted to choose the most effective technique, which is found to be Cubic Spline interpolation. One VI, which is the Normalized Difference Vegetation Index (NDVI), proves to be the most effective index in forecasting the yield. Based on the aggregated error measure (AGM) score, the yield forecasting performance of the DL ensemble is enhanced by 12.51% after adding the complete interpolated NDVI to the input parameters used in training the model.
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) | 0,001 | 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 ».