Harvester-mounted yield monitor systems are increasingly used to document corn (Zea mays L.) yield. The three most commonly used spatial estimation methods to convert point data gathered with yield monitors to regular, grid-based, raster maps include nearest neighbor (NN), inverse distance weighting (IDW) and kriging. Seven spatial estimation methods (NN, IDW using 10, 20, 30 and all data points and kriging with exponential and Matérn covariance functions) were evaluated to determine the method that most accurately captures intra-field spatial variability of corn silage and corn grain yield in New York. Yield monitor data from two dairy farms and two grain operations were cleaned using Yield Editor prior to spatial analyses. The dataset included 7–10 years of data per farm for a combined 7484 ha (245 fields) of silage and 6971 ha (253 fields) of grain. Data were split into training (80%) and cross-validation datasets (remaining 20% of the data). Normalized root mean squared error (NRMSE) was used to evaluate the accuracy of the spatial estimation methods. Kriging with the Matérn covariance function resulted in the most accurate corn silage and grain yield raster maps both at the farm and field level. There were statistically significant differences in NRMSE between kriging with the Matérn isotropic covariance function and all other models for both corn silage and grain, regardless of field size, year when data were obtained or farm that supplied the data. These results are beneficial to ensure accurate and precise spatial mapping of yield products toward optimized corn growth management.

安装在收割机上的产量监控系统越来越多地用于记录玉米（玉米）L.）产量。三种将收率监控器收集的点数据转换为基于网格的常规栅格地图的最常用的空间估计方法包括最近邻（NN），反距离权重（IDW）和克里格（kriging）。评估了7种空间估算方法（使用10、20、30和所有数据点的NN，IDW以及具有指数和Matérn协方差函数的kriging），以确定最准确地捕获玉米青贮饲料和玉米籽粒的田间空间变异的方法。纽约。在进行空间分析之前，使用Yield Editor清理了来自两个奶牛场和两个谷物生产场的产量监控器数据。该数据集包括每个农场7-10年的数据，其中包括7484公顷（245田）的青贮饲料和6971公顷（253田）的谷物。数据分为训练（80％）和交叉验证数据集（剩余数据的20％）。归一化均方根误差（NRMSE）用于评估空间估计方法的准确性。使用Matérn协方差函数的Kriging可以在农场和田地上获得最准确的玉米青贮饲料和谷物产量栅格图。使用Matérn各向同性协方差函数的克里金法和所有其他玉米青贮和谷物模型之间的NRMSE在统计上有显着差异，无论田间大小，获取数据的年份或提供数据的农场如何。这些结果有利于确保准确，准确地对产量产品进行空间映射，以优化玉米生长管理。归一化均方根误差（NRMSE）用于评估空间估计方法的准确性。使用Matérn协方差函数的Kriging可以在农场和田地上获得最准确的玉米青贮饲料和谷物产量栅格图。使用Matérn各向同性协方差函数的克里金法和所有其他玉米青贮和谷物模型之间的NRMSE在统计上有显着差异，无论田间大小，获取数据的年份或提供数据的农场如何。这些结果有利于确保对产量的准确和精确的空间映射，以优化玉米生长管理。归一化均方根误差（NRMSE）用于评估空间估计方法的准确性。使用Matérn协方差函数的Kriging可以在农场和田地上获得最准确的玉米青贮饲料和谷物产量栅格图。使用Matérn各向同性协方差函数的克里金法和所有其他玉米青贮和谷物模型之间的NRMSE在统计上有显着差异，无论田间大小，获取数据的年份或提供数据的农场如何。这些结果有利于确保准确，准确地对产量产品进行空间映射，以优化玉米生长管理。使用Matérn各向同性协方差函数的克里金法和所有其他玉米青贮和谷物模型之间的NRMSE在统计上有显着差异，无论田间大小，获取数据的年份或提供数据的农场如何。这些结果有利于确保准确，准确地对产量产品进行空间映射，以优化玉米生长管理。使用Matérn各向同性协方差函数的克里金法和所有其他玉米青贮和谷物模型之间的NRMSE在统计上有显着差异，无论田间大小，获取数据的年份或提供数据的农场如何。这些结果有利于确保准确，准确地对产量产品进行空间映射，以优化玉米生长管理。