Estimating the Aboveground Fresh Weight of Sugarcane Using Multispectral Images and Light Detection and Ranging (LiDAR)
Notice bibliographique
Résumé
This study aimed to develop a remote sensing method for estimating the aboveground fresh weight (AGFW) of sugarcane using multispectral images and light detection and ranging (LiDAR). Remotely sensed data were acquired from an unmanned aerial vehicle (drone). Sample plots were harvested and the AGFW of each plot was measured. Sugarcane crown heights and volumes were obtained by isolating individual tree crowns using a LiDAR-derived digital surface model of the area. Multiple linear regression (MLR) and partial least-squares regression (PLSR) models were tested for the field-sampled AGFWs (dependent variable) and individual canopy heights and volumes, and spectral indices were used as independent variables or predictors. The PLSR model showed more promising results than the MLR model when predicting the AGFW over the study area. Although PLSR is well-suited to a large number of collinear predictor variables and a limited number of field samples, this study showed moderate results (R2 = 0.5). The visual appearance of the spatial distribution of the AGFW map is satisfactory. The limited no. of field samples overfitted the MLR prediction results. Overall, this research highlights the potential of integrating remote sensing technologies in the sugarcane industry, thereby improving yield estimation and effective crop management.
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 ».