Integrating multi-source remote sensing data and machine learning for large-scale sugarcane yield prediction

C. Ferraz; F. Serra-Burriel; M. Cabrera; R. Fortes

Jump to Content

Integrating multi-source remote sensing data and machine learning for large-scale sugarcane yield prediction

in Precision agriculture '25

Autor:innen:

C. Ferraz

C. Ferraz cferraz@hemav.com

Search for other papers by C. Ferraz in
Current site
Google Scholar
PubMed

F. Serra-Burriel

F. Serra-Burriel
Search for other papers by F. Serra-Burriel in
Current site
Google Scholar
PubMed

M. Cabrera

M. Cabrera
Search for other papers by M. Cabrera in
Current site
Google Scholar
PubMed

, und

R. Fortes

R. Fortes
Search for other papers by R. Fortes in
Current site
Google Scholar
PubMed

Art:: Kapitel

Seiten:: 923–930

DOI:: https://doi.org/10.1163/9789004725232_121

Angemeldet über:

Dar Hadith al Hassania

PDF herunterladen

Accurate yield prediction is fundamental for agricultural management, yet existing models often struggle with scalability across regions. This study demonstrates how combining multiple data sources with machine learning can significantly improve sugarcane yield predictions. Using 97 962 field-seasons across multiple countries, an XGBoost-based model was developed, achieving a mean absolute error of 9.94 t/ha (MAPE 16.45%) and R2 of 0.80. The model identified maximum normalized difference red edge values, humidity conditions, and ratoon number as key yield-determining factors. When tested on independent datasets below 2,000 samples, this approach showed consistent improvement over single-user models, reducing prediction error by 1.29 t/ha.

Zitierungsangaben

Save
Cite
Inhalt per Mail versenden

Link teilen

Sie können einen Link zu dieser Seite per E-Mail senden:
Inhalt per Mail versenden
oder den Link direkt kopieren:

https://brill.edhh.ma/edcollchap-oa/book/9789004725232/BP000121.xml
Der Link wurde nicht kopiert. Ihr aktueller Browser unterstützt das Kopieren über diese Schaltfläche möglicherweise nicht.

Link wurde kopiert

Reduzieren
Erweitern
Nach oben

Precision agriculture '25

ISBN:: 9789004725232

Verleger:: Wageningen Academic

Print-Publikationsdatum:: 18 Jun 2025

Fachgebiete
- Biowissenschaften
  - Allgemein
  - Landwirtschaft und Umwelt

Kennzahlen

	Insgesamt	Letzte 365 Tage	In den letzten 30 Tagen
Aufrufe von Kurzbeschreibungen	0	0	0
Gesamttextansichten	73	63	8
PDF-Downloads	108	91	12

Afrikanistik	Internationale Beziehungen	Nahost- und Islamwissenschaften
Altorientalistik und Ägyptologie	Internationales Recht	Pädagogik
Amerikanistik	Judaistik	Philosophie
Asienwissenschaften	Klassische Altertumswissenschaft	Religionswissenschaft
Bibelauslegung	Kunstgeschichte	Slawistik und Eurasienkunde
Biologie	Literatur- und Kulturwissenschaften	Sozialwissenschaften
Biowissenschaften	Medienwissenschaft	Sprachen und Linguistik
Buchgeschichte und Kartographie	Menschenrechte und humanitäres Völkerrecht	Theologie und Christentum
Geschichte	Musikwissenschaft

Fachgebiete

Autor:innen

Open Access

Produkt-Informationen

Über uns

Kontakt

Integrating multi-source remote sensing data and machine learning for large-scale sugarcane yield prediction

Zitierungsangaben

Link teilen

Precision agriculture '25

Inhaltsverzeichnis

Kennzahlen

Kennzahlen