Alfalfa stem count estimation using remote sensing imagery and machine learning on Google Earth Engine
Notice bibliographique
Résumé
Alfalfa ( Medicago sativa L. ), a perennial legume forage crop, is valued for its high yield and quality. However, its survival during winter can be affected by several factors, and its mortality significantly impacts alfalfa production, necessitating timely and spatially detailed monitoring. This study aims to propose a framework for estimating alfalfa stem density using satellite imagery and machine learning (ML) algorithms, which can lead to winter mortality detection early in the spring and provide a better understanding of potential total dry matter. Three ML models—support vector machine (SVM), random forest (RF), and extreme gradient boosting (XGB)—were applied to Harmonized Landsat Sentinel (Landsat only, which is HLSL30) and Sentinel-2 datasets, accessed via the Google Earth Engine (GEE) Python API. Two scenarios were evaluated: 1) single-date data, capturing satellite images within a 3-day time window to the date of field sample measurement, and 2) time-series data, in which three satellite images were collected for the measurements during the first growing cycle. Both classification and regression models were used in both scenarios to estimate and classify alfalfa stem density. ML Classification models categorized stem density into four groups (bare, low-density, medium-density, and high-density), achieving an accuracy of up to 85 % using Sentinel-2 data and 84 % using HLSL30 data. The results also indicated that alfalfa stem density can be estimated with an error of ∼ ±6-9 stems/foot 2 (1 foot = 30.48 cm) using ML regression models. RF outperformed XGB and SVM in classification and regression tasks, showing superior accuracy in classifying density and lower root mean square error (RMSE) in estimating stem density. Our proposed framework model can offer valuable information to growers and decision-makers, enabling them to make timely and informed decisions.
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 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».