Assessing the Performance of Satellite-Based Models for Crop Yield Estimation in the Canadian Prairies
Notice bibliographique
Résumé
Timely monitoring of crop production using a remote sensing-based approach offers promise toward enhancing food security. Statistical models developed using satellite data typically employ a single vegetation index from a single sensor for yield estimation. With the increasing availability of satellite datasets, there is now an opportunity to investigate the potential of available vegetation indices from different sensors in estimating yields. The key objective of this study was to develop a best-performing satellite-based yield model for the Canadian Prairies for wheat, barley, and canola, trained using municipality-level data from 2009 to 2019. We tested the statistical performance of models built using (a) indices from different sensors (Landsat and Sentinel-2), (b) indices sensitive to different yield properties, and (c) single versus multiple vegetation indices. Results showed Landsat-NDWI as the best performing single-index across all indices and sensors for each crop. Sentinel-2-EVI performed best for wheat and canola and Sentinel-2-SR for barley; but these models were built using only 4 years of data. We found that best-performing single-index models recorded similar predictive accuracy as multi-index models during model validation. The results from this work suggest that satellite-based yield estimation can be improved by selecting the right index related to different crop properties.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».