Estimation of sugarcane biomass from Sentinel-2 leaf area index using an improved SAFY model (SAFY-Sugar)
Notice bibliographique
Résumé
Assimilating crop biophysical traits (e.g., Leaf area index, LAI) derived from remote sensing data into a crop growth model provides an effective way for monitoring spatiotemporal variability of crop biomass and yield. However, traditional complex crop growth models generally require extensive input parameters and computation resources, limiting their applicability for large-area estimation using earth observation data. The Simple Algorithm for Yield Estimation model (SAFY), a semi-physical crop growth model grounded in light use efficiency theory has been widely adopted for satellite-based biomass estimation in major field crops. Despite its utility, SAFY cannot directly simulate sugarcane stalk biomass, a critical metric for sugarcane yield assessment. To address this, we developed SAFY-Sugar, a revised SAFY incorporating a temperature-driven stalk biomass module that partitions daily above-ground biomass into stalk biomass. Multi-temporal LAI (S2-LAI) was first inverted from vegetation indices of Sentinel-2 satellite using a semi-empirical model calibrated with the 250 m GLASS LAI product as reference. The estimated S2-LAI achieved an overall accuracy of 0.50 m 2 /m 2 in RMSE across selected vegetation indices. Two data assimilation strategies to assimilate the S2-LAI into the SAFY or SAFY-Sugar model for above-ground and stalk biomass estimation in fields were tested (1) independently optimizing SAFY and SAFY-Sugar parameters with S2-LAI alone, and (2) pre-optimizing the stalk module using independent farm measurements before assimilation. SAFY employed a fixed biomass allocation coefficient for stalk biomass estimation. Under the first Strategy, SAFY-Sugar demonstrated large improvements in stalk biomass estimation (R 2 = 0.94, nRMSE = 26.09 %) compared to SAFY (R 2 = 0.92, nRMSE = 32.73 %). The second strategy further enhanced SAFY-Sugar’s accuracy (R 2 = 0.98, nRMSE = 14.34 %). For regional application in Chongzuo City (2020 – 2021) using the second strategy, SAFY-Sugar captured spatial yield variability, consistent with the government statistics (nRMSE = 6.61 %). By integrating satellite data assimilation, SAFY-Sugar provides a robust framework for monitoring sugarcane productivity across scales, advancing precision agriculture in sugarcane systems.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».