Skip to content

Confiance

Méthodologie

Phoeniks utilise des modèles de culture à base de processus plutôt qu'un ajustement statistique unique. APSIM, DSSAT et ORYZA simulent chacun la croissance des cultures à partir du sol, de la météo et des pratiques ; les exécuter en ensemble expose le désaccord entre modèles, rapporté dans la bande de confiance au lieu d'être moyenné.

Ce que ce document engage

Famille de modèles
Ensemble à base de processus
Modèles exécutés
APSIM, DSSAT, ORYZA
Étapes du pipeline
Six, de l'ingestion au ledger
Traitement de l'incertitude
Désaccord entre modèles rapporté, non moyenné

Termes clés de cette page

01

Le pipeline, de bout en bout#

1. IngestionLes sources satellite, météo et registres sont collectées et versionnées
2. LocalisationGéocodage parcellaire, résolution des limites, application des couches environnementales
3. ContrainteCatalogue de cultures et matrice de faisabilité réduisent l'ensemble plausible
4. SimulationL'ensemble de modèles de processus tourne sur l'historique de la propriété
5. ScoreLe moteur de score produit un score comparable et une bande de confiance
6. EnregistrementVersion de modèle, instantané d'entrées et scénario sont inscrits au ledger
02

Hypothèses assumées#

  • Les pratiques culturales sont inférées, non observées. Lorsqu'elles pilotent fortement le résultat, cela est signalé.
  • La réanalyse météo porte sa propre incertitude, qui se propage dans la bande de confiance.
  • Un potentiel modélisé n'est pas une prévision du rendement réalisé d'une campagne donnée.

Questions fréquentes

Pourquoi des modèles de processus plutôt que du machine learning ?
Les modèles de processus s'interrogent : un relecteur peut demander quel mécanisme physiologique a produit un résultat. Le machine learning est utilisé là où il améliore les entrées, non comme mécanisme porteur du rendement.

Pages liées

Voir aussi

Demander un accès

Accès institutionnel. Pas d'essai en libre-service.

Demander un accès