Machine learning approach for satellite-based subfield canola yield prediction using floral phenology metrics and soil parameters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Early monitoring of within-field yield variability and forecasting yield potential is critical for farmers and other key stakeholders such as policymakers. Remote sensing techniques are progressively being used in yield prediction studies due to easy access and affordability. Despite the increasing use of remote sensing techniques for yield prediction in agriculture, there is still a need for medium-resolution satellite imagery when predicting canola yield using a combination of crop and soil information. In this study, we investigated the utility of remotely sensed flowering information from PlanetScope (at 4 m) satellite imagery combined with derived soil and topography parameters to predict canola yield. Our yield prediction model was trained and validated using data from 21 fields managed under variable rate seed and fertilizer application, including cleaned harvester yield maps, soil, and topography maps. To quantify the flowering intensity of canola, 9 vegetation indices (VIs) were calculated using spectral bands from PlanetScope imagery acquired for the reproductive stages of canola. We created five random forest regression models using different subsets of covariates, including VIs, soil, and topography features, to predict canola yield within the season. Using a random forest regression algorithm, we recorded accuracies ranging from poor to best performing using coefficient of determination and root mean squared error (R 2 : 0.47 to 0.66, RMSE: 325 to 399 kg ha −1 ). The optimal subset of covariates identified electrical conductivity (EC), Normalized Difference Yellowness Index, and Canola Index as the key variables explaining within-spatial variability in canola yield. Our final model exhibited a validation R 2 of 0.46 (RMSE = 730 kg ha −1 ), demonstrating the potential of medium-resolution satellite imagery during the flowering stage to detect and quantify sub-field spatial and temporal floral phenology changes when predicting canola yield.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle