Exploring trans-regional harvesting operation patterns based on multi-scale spatiotemporal partition using GNSS trajectory data
Notice bibliographique
Résumé
Identifying agricultural machinery operations is crucial for enhancing agricultural productivity and promoting the transition to data-driven agriculture. Current research focuses solely on administrative divisions, overlooking the links between machinery movement, natural spatial patterns, and spatiotemporal dependencies. The direct clustering of GNSS points is inefficient and incurs substantial computational costs. In response to these challenges, we introduce an unsupervised clustering method based on multiscale spatiotemporal partitioning, which systematically integrates spatial and temporal dimensions to analyze GNSS trajectory data. By designing multiscale grids and temporal partitions, we efficiently processed high-dimensional trajectory data by employing t-SNE and K-means++ algorithms for dimensionality reduction and clustering, and the visualization validated the clustering effectiveness. When applied to GNSS data from the wheat harvest season in China, the results revealed distinct patterns of harvester movement, including trans-regional movement trends. The geogrids are clustered into four groups, each of which exhibits a distinct spatiotemporal relationship. A combined geogrid analysis with administrative regions identified Anhui as having the highest flow density, whereas Henan had the most concentrated areas of trans-regional harvester flow. These findings offer valuable insights for planning harvester operations, particularly in trans-regional harvester management, by understanding complex spatiotemporal dynamics.
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 | 0,002 |
| 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 ».