CSIRO - Image2Biomass Prediction

比赛任务是什么？

将牧草 JPG 图像映射为五类生物量干重，学习视觉回归、目标代数关系和跨采样条件验证。训练辅助字段用于审计与实验设计，推理时必须逐项检查测试集可用字段，不能依赖训练专有标签或辅助值。

用一个例子理解项目

评价指标与验证

Global Weighted R²

使用全局加权误差计算 R²；Green、Dead、Clover 权重各 0.10，GDM 为 0.20，Total 为 0.50。越高越好，也可能为负。

固定数据划分、评估器版本和资源条件，记录基线与对照结果，并解释错误样本。

技术路线

1. 检查

   审计空间分布

   识别区域聚集、重复和采集差异。

2. 基线

   建立回归方案

   分别比较结构化与影像特征。

3. 融合

   组合多源信息

   固定划分后验证融合是否稳定。

4. 边界

   报告区域误差

   标出外推较弱的地区和条件。

适合专业与项目难度

牧草图像与多目标回归直接对应 AI、计算机、机器学习和数据科学；植物、生物量与采样条件关联生物学/植物科学，图像获取与融合可连接电子工程、遥感和农业应用。

为什么评为进阶？

按供稿学习要求评为进阶：已有 Python/机器学习后可从基线起步，但完整项目需要影像与辅助信息融合、五目标回归，以及对采样条件和区域差异的验证。

等级说明：需要专业建模方法、可靠验证或多个工程环节，并完成可解释的对照实验。

建议具备的基础

• Python、Pandas 与基础回归
• 图像预处理与视觉特征
• 分组验证和回归误差分析

可以从哪里开始

先建立固定划分的图像回归基线，再比较可用辅助字段和多目标预测，检查不同采样条件下的误差。

专业与难度由本站根据项目文档分析，面向基线复现与对照实验；具体门槛取决于承担的任务和项目深度。 这不是 Kaggle 官方评级。

可以形成的成果

• 公开生物量预测复现
• 空间与图像特征处理
• 回归基线与跨区域验证
• 误差分析与数据边界说明

成果预览与验收方式

下面展示建议的成果结构，实际内容由本人运行、实验和整理后形成。

本项目重点验收：submission.csv：sample_id、target，每图对应五行预测；五目标误差、加权 R² 及采样条件切片报告。

复现实验需要回答的问题

• 空间随机切分为什么可能造成泄漏
• 影像和结构化特征各自贡献如何验证
• 怎样描述模型适用区域和外推限制

留学、科研与求职如何使用？

公开 Notebook、方案与讨论

以下入口来自项目文档中的公开资料，适合阅读和设计复现实验。

公开材料的运行环境、许可和作者结论请结合原页面复核。

• csiro-simple ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• csiro-p2-19-ref-logic ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• biomass-comp ↗

  公开学习材料；运行条件和许可需复核，作者成绩不代表本站或用户成果。

• To prevent overfitting, you have to group by Sampling_Date ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

• Competition scoring metric ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

• Analysis: Height_Ave_cm and Dead Biomass Prediction ↗

  公开讨论中的方法与经验；作者自报结论需通过自己的实验验证。

规划适合你的项目深度

结合目标、专业、已有基础和时间，确定基线、对照实验与成果表达的范围。