Using UAV-Based Multispectral Imagery, Data-Driven Models, and Spatial Cross-Validation for Corn Grain Yield Prediction
Notice bibliographique
Résumé
Input cost reductions and yield optimization can be done using yield precision maps created by machine learning models to address the increase in food demand predicted by 2050. However, without taking into account the spatial structure of the data, the precision map’s accuracy evaluation assessment runs the risk of being overly optimistic. In the current work, a corn yield prediction study was conducted, and the predictive abilities of two vegetation indices (VIs) and five spectral bands for a single image acquisition date were evaluated. We also examined the impacts of image spatial and spectral resolution on model performance. We used a Canadian smart farm’s yield data, multispectral (MS) and red-green-blue (RGB) imagery captured by unmanned aerial vehicles (UAVs), and we trained deep neural networks (DNN), random forest (RF), and linear regression (LR) models using standard cross-validation and spatial cross-validation approaches. We found that multi-band datasets led to better performance than single-VI datasets. MS imagery led to generally better performance than RGB imagery. High spatial resolution imagery led to better performance than lower spatial resolution imagery. RF was the best performing model while LR was the worst. The choice of RF’s hyperparameters had more of an impact on performance when the number of features was small and less of an impact when the number of features was large or when the input dataset had a lot of spatial structure.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».