Un conjunto de datos completo del Reino Unido sobre el rendimiento de los cultivos que incorpora información sobre...

Área de la Ciencia:

• Ciencias Agrícolas
• Ciencia de Datos
• Ciencias Ambientales

Sus antecedentes:

• Los enfoques basados en datos, incluido el aprendizaje automático, son cada vez más vitales para la predicción del rendimiento de los cultivos en la investigación agrícola.
• Estos métodos requieren conjuntos de datos de entrenamiento sustanciales, lo que plantea un desafío para el desarrollo de modelos predictivos precisos.
• Los modelos de crecimiento de cultivos existentes se benefician de los conocimientos complementarios basados en datos.

Objetivo del estudio:

• Presentar el conjunto de datos CYCleSS (Crop Yields, Climate, Soils, and Satellites), un recurso completo para la investigación agrícola.
• Proporcionar un conjunto de datos anonimizado a gran escala que facilita el entrenamiento de modelos de aprendizaje automático y la parametrización de modelos de crecimiento de cultivos.
• Abordar el desafío de la privacidad de los datos en la investigación agrícola presentando un novedoso procedimiento de anonimización.

Principales métodos:

• Se compiló un conjunto de datos a gran escala a partir de datos de rendimiento de precisión de 934 campos en Inglaterra, que cubren diversos cultivos.
• Se integraron datos de teledetección derivados de satélites, datos meteorológicos diarios e información sobre el tipo de suelo.
• Se alinearon todos los datos a una resolución de cuadrícula de 10 km, lo que garantiza la coherencia espacial y temporal.

Principales resultados:

• El conjunto de datos CYCleSS contiene datos anonimizados de rendimiento de cultivos junto con datos alineados de teledetección, meteorología y suelo.
• Los datos están disponibles en varias resoluciones: diaria para meteorología, cada 5 días para satélite y anual para rendimiento de cultivos.
• La técnica de anonimización preserva la utilidad de los datos y al mismo tiempo protege la información sensible sobre el rendimiento.

Conclusiones:

• El conjunto de datos CYCleSS es un recurso valioso para entrenar modelos de aprendizaje automático para la predicción del rendimiento de los cultivos.
• También se puede utilizar para parametrizar modelos de crecimiento de cultivos mecanicistas, mejorando la investigación agrícola.
• La metodología de anonimización ofrece una solución práctica para los desafíos de intercambio de datos en la investigación y la práctica agrícolas.