Magyar
Toggle navigation
Tudóstér
Magyar
Tudóstér
Keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Böngészés
Saját polc tartalma
(
0
)
Korábbi keresések
Összesen 1 találat.
#/oldal:
12
36
60
120
Rövid
Hosszú
MARC
Részletezés:
Rendezés:
Szerző növekvő
Szerző csökkenő
Cím növekvő
Cím csökkenő
Dátum növekvő
Dátum csökkenő
1.
001-es BibID:
BIBFORM110882
035-os BibID:
(cikkazonosító)126837 (WoS)000990574800001 (Scopus)85152737381
Első szerző:
Arshad, Sana
Cím:
Applicability of machine learning techniques in predicting wheat yield based on remote sensing and climate data in Pakistan, South Asia / Sana Arshad, Jamil Hasan Kazmi, Muhammad Gohar Javed, Safwan Mohammed
Dátum:
2023
ISSN:
1161-0301 1873-7331
Megjegyzések:
Machine learning (ML) algorithms perform better than classical statistical approaches to explore hidden nonlinear relationships. In this context, the goal of this research is to predict wheat yield utilizing remote sensing and climatic data in southern part of Pakistan. Four remote sensing indices, viz.., Green Normalized Difference Vegetation Index (GNDVI), Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), Soil Adjusted Vegetation Index (SAVI) are integrated with five climatic variables, i.e., Maximum Temperature (Tmax), Minimum Temperature (Tmin), Rainfall (R), Relative humidity (RH) and windspeed (WS) and one drought index, i.e., Standardized Precipitation Evapotranspiration Index (SPEI). Eight model combinations are built within two scenarios of wheat season, i.e., Whole Seasonal mean (WSM) (SC1), and Peak of Seasonal Mean (POSM) (SC2). Two nonlinear ML algorithms, i.e., Random Forest (RF), and Support Vector Machines (SVM), and one linear model, i.e., LASSO is being employed for wheat yield prediction to find the best combination and ML algorithm in two scenarios. Results revealed that in SC1, RF regression for the model combination (GNDVI +Tmax+ Tmin + R + RH + WS) outperformed other models (R2 = 0.71, RMSE = 2.365). Similarly, in SC2 RF regression outperformed SVM with model combination (GNDVI + Tmax+ Tmin + R + RH + WS) performed highest with R2 = 0.78, and lowest RMSE = 2.07, followed by (GNDVI + SPEI + RH + WS; R2 = 0.75). Interestingly, linear LASSSO also performed equally with RF with R2 = 0.77-0.73 in both scenarios. However, the output of this research recommends using SC2 for yield prediction in ML models. Overall, this research reveals the significance and potential of ML techniques for timely prediction of crop yield in different stages of crop growth that provide a solid foundation for food security in the region.
Tárgyszavak:
Agrártudományok
Növénytermesztési és kertészeti tudományok
idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Drought
Random Forest
LASOO
Early prediction
Food security
Megjelenés:
European Journal of Agronomy. - 147 (2023), p. 1-19. -
További szerzők:
Kazmi, Jamil Hasan
Javed, Muhammad Gohar
Mohammed Safwan (1985-) (agrármérnök)
Pályázati támogatás:
TKP2021-NKTA-32
Egyéb
Internet cím:
Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:
Rekordok letöltése
1
Corvina könyvtári katalógus v8.2.27
© 2023
Monguz kft.
Minden jog fenntartva.