elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

High Spatial Resolution for Crop Yield Prediction in Large Farming Systems: A Necessity or Additional Overhead

Ofori-Ampofo, Stella und Kuzu, Ridvan Salih und Zhu, Xiao Xiang (2023) High Spatial Resolution for Crop Yield Prediction in Large Farming Systems: A Necessity or Additional Overhead. In: International Geoscience and Remote Sensing Symposium (IGARSS), Seiten 3534-3537. IGARSS 2023, 2023-07-16 - 2023-07-21, California, USA. doi: 10.1109/IGARSS52108.2023.10282610.

[img] PDF
1MB

Offizielle URL: https://ieeexplore.ieee.org/abstract/document/10282610

Kurzfassung

The availability of open-access satellite data and advancements in machine learning techniques has exhibited significant potential in crop yield prediction. In the context of large farming systems and county-level predictions, it is customary to rely on coarse-resolution satellite images. However, these images often lack the sufficient textural detail to accurately summarise spatial information. This research aims to evaluate the advantages of enhanced spatial resolution by conducting a comparative analysis between coarse-resolution, high-temporal-frequency MODIS data and relatively high-resolution, low-temporal-frequency Landsat data for predicting corn yield in the USA. We benchmark this comparison against several models in a spatial versus non-spatial input data context. Our results suggest that, the use of high-spatial resolution for county-level yield prediction in large farming systems is not beneficial and the models explored are unable to generalize well to drought-struck years.

elib-URL des Eintrags:https://elib.dlr.de/198752/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:High Spatial Resolution for Crop Yield Prediction in Large Farming Systems: A Necessity or Additional Overhead
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Ofori-Ampofo, StellaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kuzu, Ridvan SalihRidvan.Kuzu (at) dlr.dehttps://orcid.org/0000-0002-1816-181X146120750
Zhu, Xiao Xiangxiaoxiang.zhu (at) tum.dehttps://orcid.org/0000-0001-5530-3613NICHT SPEZIFIZIERT
Datum:2023
Erschienen in:International Geoscience and Remote Sensing Symposium (IGARSS)
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/IGARSS52108.2023.10282610
Seitenbereich:Seiten 3534-3537
Status:veröffentlicht
Stichwörter:Neural networks, Machine learning, Landsat, Predictive models, Data models, Satellite images, Spatial resolution
Veranstaltungstitel:IGARSS 2023
Veranstaltungsort:California, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:16 Juli 2023
Veranstaltungsende:21 Juli 2023
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Kuzu, Dr. Ridvan Salih
Hinterlegt am:07 Nov 2023 13:20
Letzte Änderung:09 Jul 2024 14:29

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.