Improving Crop Residue Biomass Estimation through Ensemble Modeling and Optimized Feature Selection Using UAV Multispectral Imagery
Notice bibliographique
Résumé
Crop residue plays a vital role in maintaining soil health, reducing erosion, enhancing water retention, and contributing to carbon sequestration in agricultural systems. Accurate estimation of crop residue biomass is essential for understanding its distribution patterns, advancing sustainable agricultural practices and improving land management. This study integrates high-resolution UAV multispectral imagery, advanced feature selection methods, and machine learning models to develop a scalable framework for crop residue biomass prediction. An ensemble model, combining predictions from CatBoost, Support Vector Regression, Random Forest, and K-Nearest Neighbor, was created and compared to these individual models to evaluate its performance for predicting crop residue biomass. A variety of predictor variables, including spectral indices, topographic features, textural features, and raw bands, were used in these models. To improve modeling efficiency and accuracy, four feature selection techniques—Recursive Feature Elimination, Pearson correlation, Least Absolute Shrinkage and Selection Operator regression—were tested and compared to identify the most relevant predictor features. Results show that red band and variance from the blue band emerged as consistently selected top predictors across methods. Additionally, the results highlighted the importance of integrating topographic and textural features alongside spectral features to enhance crop residue biomass estimation accuracy. The ensemble approach, combined with Recursive Feature Elimination-selected features, produced the most accurate crop residue biomass predictions (R 2 = 0.425, RMSE = 243.465 g/ha). This study demonstrates the potential of ensemble models with optimized feature selection to enhance crop residue monitoring for precision agriculture and sustainable land management.
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 | 0,000 |
| 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) | 0,000 | 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 ».