view in publisher's site

Satellite-based soybean yield forecast: Integrating machine learning and weather data for improving crop yield prediction in southern Brazil

Highlights•Soybean yield at municipality-level was forecasted using satellite and weather data.•LSTM neural networks outperformed conventional machine learning algorithms in soybean yield prediction.•The model accuracy decreased as we anticipated earlier dates of the predictions.•Soybean yield can be forecasted with MAE of 0.42 Mg ha−1 ~70 days before harvesting.AbstractSoybean yield predictions in Brazil are of great interest for market behavior, to drive governmental policies and to increase global food security. In Brazil soybean yield data generally demand various revisions through the following months after harvest suggesting that there is space for improving the accuracy and the time of yield predictions. This study presents a novel model to perform in-season (“near real-time”) soybean yield forecasts in southern Brazil using Long-Short Term Memory (LSTM), Neural Networks, satellite imagery and weather data. The objectives of this study were to: (i) compare the performance of three different algorithms (multivariate OLS linear regression, random forest and LSTM neural networks) for forecasting soybean yield using NDVI, EVI, land surface temperature and precipitation as independent variables, and (ii) evaluate how early (during the soybean growing season) this method is able to forecast yield with reasonable accuracy. Satellite and weather data were masked using a non-crop-specific layer with field boundaries obtained from the Rural Environment Registry that is mandatory for all farmers in Brazil. Main outcomes from this study were: (i) soybean yield forecasts at municipality-scale with a mean absolute error (MAE) of 0.24 Mg ha−1 at DOY 64 (march 5) (ii) a superior performance of the LSTM neural networks relative to the other algorithms for all the forecast dates except DOY 16 where multivariate OLS linear regression provided the best performance, and (iii) model performance (e.g., MAE) for yield forecast decreased when predictions were performed earlier in the season, with MAE increasing from 0.24 Mg ha−1 to 0.42 Mg ha−1 (last values from OLS regression) when forecast timing changed from DOY 64 (March 5) to DOY 16 (January 6). This research portrays the benefits of integrating statistical techniques, remote sensing, weather to field survey data in order to perform more reliable in-season soybean yield forecasts.

پیش‌بینی بازده سویا مبتنی بر ماهواره: ادغام یادگیری ماشین و داده‌های آب و هوایی برای بهبود پیش‌بینی برداشت محصول در جنوب برزیل

کاره‌ای مهم در سطح شهرداری با استفاده از داده‌های ماهواره‌ای و هواشناسی پیش‌بینی شده‌است. شبکه‌های عصبی LSTM از الگوریتم های یادگیری ماشین معمولی در پیش‌بینی بازده سویا پیشی گرفتند. * دقت مدل همانطور که قبلا پیش‌بینی کردیم، کاهش یافت. بازده Soybean می‌تواند با مقدار ۰.۴۲ Mg - ۱ تا ۷۰ روز قبل از harvesting.Abst ractSoybean yield در برزیل پیش‌بینی شود، برای هدایت سیاست‌های دولتی و افزایش امنیت غذایی جهانی. در برزیل داده‌ها به طور کلی در ماه‌های بعد از برداشت که نشان می‌دهد فضا برای بهبود دقت و زمان پیش‌بینی محصول وجود دارد، نیاز به بازبینی‌های مختلف دارند. این مطالعه یک مدل جدید برای انجام فصل در فصل ("نزدیک زمان واقعی")با استفاده از حافظه کوتاه‌مدت کوتاه‌مدت (LSTM)، شبکه‌های عصبی، تصاویر ماهواره‌ای و داده‌های آب و هوا ارائه می‌دهد. اهداف این مطالعه به شرح زیر است: (۱)عملکرد سه الگوریتم مختلف (رگرسیون خطی OLS، جنگل تصادفی و LSTM عصبی)برای پیش‌بینی بازده سویا با استفاده از ndvi، evi، دما سطح زمین و بارش به عنوان متغیرهای مستقل، و (۲)ارزیابی این که چگونه (در طول فصل رشد سویا)این روش می‌تواند بازده را با دقت منطقی پیش‌بینی کند. داده‌های ماهواره‌ای و هواشناسی با استفاده از یک لایه غیر محصول با مرزه‌ای زمینی بدست‌آمده از اداره ثبت محیط‌زیست روستایی، که برای همه کشاورزان برزیل اجباری است، پوشانده شدند. نتایج اصلی این مطالعه عبارتند از: پیش‌بینی بازده سویا در مقیاس شهرداری با خطای مطلق میانگین (MAE)(۵)(march)برای پیش‌بینی بازده زمانی که پیش‌بینی‌ها در اوایل فصل انجام شدند، با MAE با مقدار ۰ / ۰ میلی‌گرم - ۱ (آخرین مقادیر از رگرسیون OLS)زمانی که زمان‌بندی پیش‌بینی از DOY ۶۴ (۵ مارس)تا ۰.۴۲ ۱۶ (۶ ژانویه)تغییر یافت. این تحقیق مزایای یکپارچه‌سازی تکنیک‌های آماری، سنجش از دور، آب و هوا برای بررسی داده‌ها را به منظور انجام دقیق‌تر در پیش‌بینی‌های برداشت سویا در فصل به تصویر می‌کشد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Atmospheric Science
  • ترجمه مقاله Atmospheric Science
  • مقاله علوم جوی
  • ترجمه مقاله علوم جوی
  • مقاله Agronomy and Crop Science
  • ترجمه مقاله Agronomy and Crop Science
  • مقاله زراعت و علوم زراعی
  • ترجمه مقاله زراعت و علوم زراعی
  • مقاله Global and Planetary Change
  • ترجمه مقاله Global and Planetary Change
  • مقاله تغییر جهانی و سیاره‌ای
  • ترجمه مقاله تغییر جهانی و سیاره‌ای
  • مقاله Forestry
  • ترجمه مقاله Forestry
  • مقاله جنگلداری
  • ترجمه مقاله جنگلداری
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.