Optimizing potato yield mapping and prediction: Integrating satellite-based remote sensing and machine learning for sustainable agriculture
Notice bibliographique
Résumé
Precision agriculture and sustainable farming require crop yield prediction and mapping. PEI is a major Canadian potato producer. However, PEI potato yield prediction research is limited. This highlights a literature gap and the need for improved data-driven precision agriculture in PEI. High-resolution satellite imagery and machine learning (ML) enable field-scale crop yield mapping. This study investigated the potential of high-resolution multispectral imagery and ML for potato yield prediction. The study focused on four plots in PEI during the 2021 and 2022 growing seasons. Potato crop yield data collected using a combined harvester and manual digging were analyzed to model yield using Sentinel-2A and PlanetScope imagery. For both sensors, vegetation indices (NDVI, GNDVI, SAVI, and EVI) and spectral bands chosen for their application in crop growth monitoring were retrieved and incorporated into ML models. The cloud computing platform, Google Earth Engine (GEE), was used to evaluate and compare the performance of three ML algorithms, which are random forest regression (RFR), classification and regression trees (CART) and gradient tree boosting (GTB). Overall, the performance of all three models was satisfactory in yield prediction with both sensors. However, GTB with Sentinel-2A and harvester data gave slightly higher estimation accuracy with R 2 values of 0.71–0.78, RMSE values of 2.82–5.96 t/ha, and MAE values of 2.33–4.2 t/ha. Hence, the approach used in this study provides real-time seasonal yield prediction maps on a field scale, which will help the farmers identify the targeted areas for variable rate application, leading to resource efficiency and sustainability.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 ».