MétaCan
Menu
Retour à la cohorte
Enregistrement W2056141749 · doi:10.1109/jstars.2014.2344630

Mapping Asian Cropping Intensity With MODIS

2014· article· en· W2056141749 sur OpenAlexaff
Josh Gray, M. A. Friedl, Steve Frolking, Navin Ramankutty, Andrew Nelson, Murali Krishna Gumma

Notice bibliographique

RevueIEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing · 2014
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensMcGill University
Organismes subventionnairesNational Aeronautics and Space AdministrationNational Science Foundation
Mots-clésCroppingAgricultureEnvironmental scienceScale (ratio)Agricultural productivityRemote sensingGeographySubtropicsModerate-resolution imaging spectroradiometerClimatologyMeteorologyPhysical geographyEnvironmental resource managementCartography

Résumé

récupéré en direct d'OpenAlex

Agricultural systems are geographically extensive, have profound significance to society, and affect regional energy, climate, and water cycles. Since most suitable lands worldwide have been cultivated, there is a growing pressure to increase yields on existing agricultural lands. In tropical and subtropical regions, multicropping is widely used to increase food production, but regional-to-global information related to multicropping practices is poor. The high temporal resolution and moderate spatial resolution of the MODIS sensors provide an ideal source of information for characterizing cropping practices over large areas. Relative to studies that document agricultural extensification, however, systematic assessment of agricultural intensification via multicropping has received relatively little attention. The goal of this work was to help close this information gap by developing methods that use multitemporal remote sensing to map multicropping systems in Asia. Image time-series analysis is especially challenging in this part of the world because atmospheric conditions including clouds and aerosols lead to high frequencies of missing or low-quality observations, especially during the Asian Monsoon. The methodology that we developed builds upon the algorithm used to produce the MODIS Land Cover Dynamics product (MCD12Q2), but uses an improved methodology optimized for crops. We assessed our results at the aggregate scale using state, district, and provincial level inventory statistics reporting total cropped and harvested areas, and at the field scale using survey results for 191 field sites in Bangladesh. While the algorithm highlighted the dominant continental-scale patterns in agricultural practices throughout Asia, and produced reasonable estimates of state and provincial level total harvested areas, field-scale assessment revealed significant challenges in mapping high cropping intensity due to abundant missing data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,193
Écart entre enseignants0,180 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations87
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Journal of Selected Topics in Applied Earth Observations and Remote SensingMême sujetRemote Sensing in AgricultureTravaux en français237 207