Monitoring Maize Yield Variability over Space and Time with Unsupervised Satellite Imagery Features
Notice bibliographique
Résumé
Recent innovations in task-agnostic imagery featurization have lowered the computational costs of using machine learning to predict ground conditions from satellite imagery. These methods hold particular promise for the development of imagery-based monitoring systems in low-income regions, where data and computational resources can be limited. However, these relatively simple prediction pipelines have not been evaluated in developing-country contexts over time, limiting our understanding of their performance in practice. Here, we compute task-agnostic random convolutional features from satellite imagery and use linear ridge regression models to predict maize yields over space and time in Zambia, a country prone to severe droughts and crop failure. Leveraging Landsat and Sentinel 2 satellite constellations, in combination with district-level yield data, our model explains 83% of the out-of-sample maize yield variation from 2016 to 2021, slightly outperforming a model trained on Normalized Difference Vegetation Index (NDVI) features, a common remote sensing approach used by practitioners to monitor crop health. Our approach maintains an R2 score of 0.74 when predicting temporal variation alone, while the performance of the NDVI-based approach drops to an R2 of 0.39. Our findings imply that this task-agnostic featurization can be used to predict spatial and temporal variation in agricultural outcomes, even in contexts with limited ground truth data. More broadly, these results point to imagery-based monitoring as a promising tool for assisting agricultural planning and food security, even in contexts where computationally expensive methodologies remain out of reach.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».