Evaluation of Machine Learning Regression Techniques for Estimating Winter Wheat Biomass Using Biophysical, Biochemical, and UAV Multispectral Data
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
Crop above-ground biomass (AGB) estimation is a critical practice in precision agriculture (PA) and is vital for monitoring crop health and predicting yields. Accurate AGB estimation allows farmers to take timely actions to maximize yields within a given growth season. The objective of this study is to use unmanned aerial vehicle (UAV) multispectral imagery, along with derived vegetation indices (VI), plant height, leaf area index (LAI), and plant nutrient content ratios, to predict the dry AGB (g/m2) of a winter wheat field in southwestern Ontario, Canada. This study assessed the effectiveness of Random Forest (RF) and Support Vector Regression (SVR) models in predicting dry ABG from 42 variables. The RF models consistently outperformed the SVR models, with the top-performing RF model utilizing 20 selected variables based on their contribution to increasing node purity in the decision trees. This model achieved an R2 of 0.81 and a root mean square error (RMSE) of 149.95 g/m2. Notably, the variables in the top-performing model included a combination of MicaSense bands, VIs, nutrient content levels, nutrient content ratios, and plant height. This model significantly outperformed all other RF and SVR models in this study that relied solely on UAV multispectral data or plant leaf nutrient content. The insights gained from this model can enhance the estimation and management of wheat AGB, leading to more effective crop yield predictions and 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.
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 | 0,000 |
| 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 découle