Multispectral indices and advanced classification techniques to detect percent residue cover over agricultural crops using Landsat data
Notice bibliographique
Résumé
Detecting and quantifying crop residue cover on agricultural fields is essential in identifying conservation tillage practices and estimating carbon sequestration, both of which are important goals within the Agricultural Policy Framework of Agriculture and Agri-Food Canada. Crop residue is traditionally measured using ground survey techniques such as the line-transect method or visual (drive-by) assessment but these techniques are tedious, time-consuming and subjective. With the increased number of advanced earth observation satellites, remote sensing has now become a viable option for mapping agricultural land management practices and percent crop residue cover. A wide variety of indices such as the Normalized Difference Index (NDI) and the Modified Soil Adjusted Crop Residue Index (MSACRI) were developed using multispectral data for this purpose but results have been mixed. Advanced classification techniques including linear spectral mixture analysis (SMA) and spectral angle mapper (SAM) provide an alternative to derive percent crop residue cover. Landsat-7 SLC-Off data were acquired over an agricultural study site in Eastern Ontario on May 25 2005. Simultaneous ground data were collected to characterize residue type, position, direction and percent cover. NDI, MSACRI, SMA and SAM were all computed and used to derive percent crop residue cover information. Preliminary results indicate that the SMA model predicts percent crop residue cover over agricultural fields with the most success, especially over fields of corn residue with an R2 value of 0.85 (RMSE of 12.46 and D of 0.99). However, further investigation is needed where residue models are validated against a larger dataset with greater variability in percent crop residue cover.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».