Predicting grain yield of maize using a new multispectral-based canopy volumetric vegetation index
Notice bibliographique
Résumé
Accurately predicting agricultural yields is crucial for developing adaptative strategies to ensure food security. Unmanned aerial vehicle (UAV) remote sensing equipped with portable multispectral sensors are commonly applied to acquire high temporal and spatial resolutions of remote sensing data. The vegetation indices (VIs) extracted from multispectral images are conducted for agricultural yield prediction. However, existing VIs often suffered from saturation problems when the canopy coverage is high. Integrating UAV-derived canopy height data with spectral indices holds the potential to solve saturation problem. However, this method is still at the infant stage and requires further validation. Here, we have newly proposed a multispectral-based canopy volumetric vegetation index (MSCVI) that integrates RGB-based volumetric index (VCI) and multispectral images derived VIs from UAV platform for predicting irrigated maize yields for three years (2019, 2020, and 2021). To test the stability of the proposed method, the maize was well managed and different levels of fertilizers were applied in each plot. The results using regression analysis showed the MSCVI outperformed the single adoption of VIs and VCI, and the MSCVI at reproductive growth stages was more strongly correlated with maize yields. Two commonly applied machine learning approaches: backpropagation neural network (BP) and random forest (RF) were applied for predicting maize yield. The R2 between actual maize yield and predicted maize yield using BP increased from 0.81 to 0.86 (RMSE decreased from 0.93 to 0.67 t/ha). The R2 between actual maize yield and predicted maize yield using RF increased from 0.91 to 0.94 (RMSE decreased from 0.65 to 0.42 t/ha). The robustness of the proposed model was further evaluated using data updating strategies, and results implied that the models was stable across sensors and different years. Overall, this study revealed the proposed MSCVI obtain high potential for predicting agricultural yields, and the proposed model was robust and stable when tested using data updating strategy.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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 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 ».