Corn Yield Prediction using Spatial-Temporal Data and Deep Learning
Notice bibliographique
Résumé
As the global population grows rapidly, ensuring food security has become a challenge. Climate change on the other hand has led to increased frequency and intensity of weather conditions, posing significant risks to agriculture production. An accurate yield prediction system plays a crucial role in addressing the challenge by enabling effective resource allocation, optimizing agriculture practices, and reducing risk. By accurately estimating end-of-season yield in advance, farmers can take timely proactive measures for risk mitigation and yield improvement. Current approaches suffer from imprecision, an incapacity to capture intricate nonlinear connections and the challenge of accounting for spatial-temporal variations. The current work proposes an end-to-end framework using 3 dimensional CNN models and compares different strategies to improve prediction performance. The data was collected from farms located in Ottawa, Ontario, where predominantly corn (measured in bushels per acre, bu/ac) is cultivated from the 2021 growing season divided into Early, Mid, and Later stages. Two CNN models (a) 2D CNN and (b) 3D CNN were tested, where the widely used 2D CNN model was used as a baseline. The findings demonstrated that the 3D CNN model, which also incorporates temporal features(crop changes over time), outperformed the 2D CNN model, which exclusively focuses on spatial characteristics. Overall, the 3D CNN model with stacked Early and growing season images was able to achieve a Mean Absolute Percentage Error of 15.18% and a Root Mean Square Error of 17.63 bu/ac.
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) | 0,000 | 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 ».