Robust Multisensor Prediction of Drought-Induced Yield Anomalies of Soybeans in Argentina | ||
| dc.conicet.organizacion | Consejo Nacional de Investigaciónes Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Astronomía y Física del Espacio. - Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Astronomía y Física del Espacio | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Astronomía y Física del Espacio. - Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Astronomía y Física del Espacio | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas | |
| dc.conicet.organizacion | Ministerio de Defensa. Secretaria de Planeamiento. Servicio Meteorológico Nacional | |
| dc.conicet.organizacion | Universidad de Buenos Aires. Facultad de Agronomía | |
| dc.contributor.author | Maas, Martín Daniel | |
| dc.contributor.author | Salvia, Maria Mercedes | |
| dc.contributor.author | Spennemann, Pablo Cristian | |
| dc.contributor.author | Fernández Long, María Elena | |
| dc.date.issued | 2022-05 | |
| dc.description.abstract | A multisensor method for the prediction of drought-induced agricultural impact is put forth in this letter. The input data considered include MODIS NDVI and land surface temperature (LST), ESA-CCI Soil Moisture, and CHIRPS rain data, which are processed at the department level in a large and sparsely monitored cropland in Argentina. As ground truth, we have used department-scale crop losses estimated by an annual agricultural census. In particular, the period under consideration (2001-2019) includes five severe drought events where soybean production in the area was considerably affected. The proposed method is based on Lasso regression of the corresponding rank values of the satellite data to the relative yield anomalies. Importantly, the proposed methodology is robust to extreme drought events. In addition, an associated early warning classification method results in an overall accuracy no worse than 70% up to one month before the harvest, and 62% two months before the harvest. The proposed methodology offers a valuable method for the prediction of agricultural drought impact and should be especially valuable in sparsely monitored regions of the world. | es |
| dc.description.fil | Fil: Maas, Martín Daniel. Consejo Nacional de Investigaciónes Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Astronomía y Física del Espacio. - Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Astronomía y Física del Espacio; Argentina | |
| dc.description.fil | Fil: Salvia, Maria Mercedes. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Astronomía y Física del Espacio. - Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Astronomía y Física del Espacio; Argentina | |
| dc.description.fil | Fil: Spennemann, Pablo Cristian. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Ministerio de Defensa. Secretaria de Planeamiento. Servicio Meteorológico Nacional; Argentina | |
| dc.description.fil | Fil: Fernández Long, María Elena. Universidad de Buenos Aires. Facultad de Agronomía; Argentina | |
| dc.format | application/pdf | es |
| dc.identifier.citation | Maas, Martín Daniel; Salvia, Maria Mercedes; Spennemann, Pablo Cristian; Fernández Long, María Elena; Robust Multisensor Prediction of Drought-Induced Yield Anomalies of Soybeans in Argentina; Institute of Electrical and Electronics Engineers; Ieee Geoscience and Remote Sensing Letters; 19; 5-2022; 1-1 | es |
| dc.identifier.institucional | CONICET | |
| dc.identifier.issn | 1545-598X | es |
| dc.identifier.repo | CONICET Digital | |
| dc.identifier.uri | http://hdl.handle.net/11336/216021 | |
| dc.journal.ciudad | New York | es |
| dc.journal.pagination | 1-1 | es |
| dc.journal.pais | Estados Unidos | es |
| dc.journal.title | Ieee Geoscience and Remote Sensing Letters | es |
| dc.journal.volume | 19 | es |
| dc.language.iso | eng | es |
| dc.publisher | Institute of Electrical and Electronics Engineers | es |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/https://ieeexplore.ieee.org/document/9770421/ | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1109/LGRS.2022.3171415 | |
| dc.rights | info:eu-repo/semantics/restrictedAccess | * |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ | * |
| dc.subject | GEOSPATIAL ANALYSIS | es |
| dc.subject | LAND SURFACE | es |
| dc.subject | SOIL MOISTURE (SM) | es |
| dc.subject.classification | Oceanografía, Hidrología, Recursos Hídricos | es |
| dc.subject.classification | Ciencias de la Tierra y relacionadas con el Medio Ambiente | es |
| dc.subject.classification | CIENCIAS NATURALES Y EXACTAS | es |
| dc.title | Robust Multisensor Prediction of Drought-Induced Yield Anomalies of Soybeans in Argentina | es |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:ar-repo/semantics/artículo | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.21062f4a-fd0e-45bb-b754-309f25ff7c79_B.pdf
- Tamaño:
- 449.35 KB
- Formato:
- Adobe Portable Document Format