Design and Use of a Stratum-Based Yield Predictions to Address Challenges Associated with Spatial Heterogeneity and Sample Clustering in Agricultural Fields Using Remote Sensing Data
Notice bibliographique
Résumé
Machine learning (ML) models trained with remote sensing data have the potential to improve cereal yield estimation across various geographic scales. However, the complexity and heterogeneity of agricultural landscapes present significant challenges to the robustness of ML-based field-level yield estimation over large areas. In our study, we propose decomposing the landscape complexity into homogeneous zones using existing landform, agroecological, and climate classification datasets, and subsequently applying stratum-based ML to estimate cereal yield. This approach was tested in a heterogeneous region in northern Morocco, where wheat is the dominant crop. We compared the results of the stratum-based ML with those applied to the entire study area. Sentinel-1 and Sentinel-2 satellite imagery were used as input variables to train three ML models: Random Forest, Extreme Gradient Boosting (XGBoost), and Multiple Linear Regression. The results showed that the XGBoost model outperformed the other assessed models. Furthermore, the stratum-based ML approach significantly improved the yield estimation accuracy, particularly when using landform classifications as homogeneous strata. For example, the accuracy of XGBoost model improved from R2 = 0.58 and RMSE = 840 kg ha−1 when the ML models were trained on data from the entire study area to R2 = 0.72 and RMSE = 809 kg ha−1 when trained in the plain area. These findings highlight that developing stratum-based ML models using landform classification as strata leads to more accurate predictions by allowing the models to better capture local environmental conditions and agricultural practices that affect crop growth.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».