Ensemble Learning for Oat Yield Prediction Using Multi-Growth Stage UAV Images
Notice bibliographique
Résumé
Accurate crop yield prediction is crucial for optimizing cultivation practices and informing breeding decisions. Integrating UAV-acquired multispectral datasets with advanced machine learning methodologies has markedly refined the accuracy of crop yield forecasting. This study aimed to construct a robust and versatile yield prediction model for multi-genotyped oat varieties by investigating 14 modeling scenarios that combine multispectral data from four key growth stages. An ensemble learning framework, StackReg, was constructed by stacking four base algorithms—ridge regression (RR), support vector machines (SVM), Cubist, and extreme gradient boosting (XGBoost)—to predict oat yield. The results show that, for single growth stages, base models achieved R2 values within the interval of 0.02 to 0.60 and RMSEs ranging from 391.50 to 620.49 kg/ha. By comparison, the StackReg improved performance, with R2 values extending from 0.25 to 0.61 and RMSEs narrowing to 385.33 and 542.02 kg/ha. In dual-stage and multi-stage settings, the StackReg consistently surpassed the base models, reaching R2 values of up to 0.65 and RMSE values as low as 371.77 kg/ha. These findings underscored the potential of combining UAV-derived multispectral imagery with ensemble learning for high-throughput phenotyping and yield forecasting, advancing precision agriculture in oat cultivation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 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 ».