Spatial Variability Mapping of Crop Residue Using Hyperion (EO-1) Hyperspectral Data
Notice bibliographique
Résumé
Soil management practices that maintain crop residue cover and reduce tillage improve soil structure, increase organic matter content in the soil, positively influence water infiltration, evaporation and soil temperature, and play an important role in fixing CO2 in the soil. Consequently, good residue management practices on agricultural land have many positive impacts on soil quality, crop production quality and decrease the rate of soil erosion. Several studies have been undertaken to develop and test methods to derive information on crop residue cover and soil tillage using empirical and semi-empirical methods in combination with remote sensing data. However, these methods are generally not sufficiently rigorous and accurate for characterizing the spatial variability of crop residue cover in agricultural fields. The goal of this research is to investigate the potential of hyperspectral Hyperion (Earth Observing-1, EO-1) data and constrained linear spectral mixture analysis (CLSMA) for percent crop residue cover estimation and mapping. Hyperion data were acquired together with ground-reference measurements for validation purposes at the beginning of the agricultural season (prior to spring crop planting) in Saskatchewan (Canada). At this time, only bare soil and crop residue were present with no crop cover development. In order to extract the crop residue fraction, the images were preprocessed, and then unmixed considering the entire spectral range (427 nm–2355 nm) and the pure spectra (endmember). The results showed that the correlation between ground-reference measurements and extracted fractions from the Hyperion data using CLMSA showed that the model was overall a very good predictor for crop residue percent cover (index of agreement (D) of 0.94, coefficient of determination (R2) of 0.73 and root mean square error (RMSE) of 8.7%) and soil percent cover (D of 0.91, R2 of 0.68 and RMSE of 10.3%). This performance of Hyperion is mainly due to the spectral band characteristics, especially the availability of contiguous narrow bands in the short-wave infrared (SWIR) region, which is sensitive to the residue (lignin and cellulose absorption features).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».