Mapping Asian Cropping Intensity With MODIS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 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 | 0,001 |
| 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 découle