Multipolarized radar for delineating within-field variability in corn and wheat
Notice bibliographique
Résumé
AbstractIn agriculture, there is growing interest in determining field spatial variability for implementing differential management practices, which should generate economic and environmental benefits. To date, the majority of studies involving remote sensing and differential management have focused on optical sensor systems. Less attention has been paid to synthetic aperture radar (SAR), despite the advantages of "all-weather" acquisition enabling information to be collected under cloud cover. This study examined the information content of multipolarization (HH, HV, VV, RR, LL, RL), multitemporal, and multiangle radar for delineating within-field spatial variability. On three dates in 2001, airborne C-band SAR data (35° and 55° incident angles) were acquired over four experimental fields. A series of fuzzy K-means analyses showed that the ability to differentiate zones was dependent upon the crop, the date in the growing season, and the pedodiversity of the field. Consistent with the soil and plant biophysical data, two of the four fields showed no spatial variability in radar backscatter. In the high-pedodiversity cornfield (Zea mays L.), three zones of productivity were discriminated early in the growing season and two zones of productivity in mid-season. Late in the season as a result of saturation of the radar signal, no spatial variability was evident. In corn, the results were similar regardless of the radar polarization. In the wheat (Triticum aestivum L.) field, which was of lower pedodiversity, two zones were identified in early-, mid-, and late-season images. Differences were evident among polarizations, with VV and HV being most sensitive to within-field variation. The delineated zones in both fields were shown to relate to plant and soil parameters, suggesting that radar may be a valuable tool in delineating spatial variation in producer fields and delineating differential management units.La détermination de la variabilité spatiale des champs soulève de plus en plus d'intérêt en l'agriculture, pour mettre en application des pratiques de gestion agricole différentielles, pouvant produire des avantages économiques et écologiques. Jusqu'à maintenant, la majorité des études impliquant la télédétection et la gestion différentielle se sont concentrées sur les systèmes de télédétection optique. Le radar à antenne synthétique (SAR) a suscité moins d'attention en dépit de sa capacité d'acquisition en « tous temps » qui permet de recueillir l'information sous couverture nuageuse. Cette étude examine la teneur en information de la multi-polarisation (HH, HT, VV, RR, LL, RL) radar, de son acquisition multi-temporelle et multi-angulaire afin de délimiter la variabilité spatiale des champs. En 2001, des données du SAR en bande C (à 35° et 55° d'angles d'incidence) ont été acquises par avion sur quatre champs expérimentaux à trois dates différentes. Une série d'analyses de k-moyennes flou a montré que la capacité de différencier des zones variait selon les cultures, la date d'acquisition dans la saison de croissance et la pédodiversité du champ. En accord avec les données biophysiques du sol et des plantes, deux des quatre champs n'a montré aucune variabilité spatiale dans le signal rétrodiffusé de radar. Dans le champ de maïs à pédodiversité élevée (Zea mays L.), trois zones de productivité ont été distinguées tôt en saison de croissance et deux zones de productivité ont été identifiées en pleine saison. Plus tard en saison, aucune variabilité spatiale n'était ressortie en raison de la saturation du signal de radar. Dans le maïs, les résultats étaient semblables indépendamment de la polarisation du radar. Dans le champ de blé (Triticum aestivum L.), qui avait une pédodiversité moindre, deux zones ont été identifiées dans les images acquises en début, milieu et fin de saison. Les différences étaient évidentes parmi des polarisations avec VV et la polarisation HV, qui était la plus sensible aux variations à l'intérieur du champ. Les zones délimitées dans les deux champs se sont avérées être liées aux paramètres de la plante et du sol suggérant que le radar pourrait être un outil valable de délimitation de la variation spatiale des champs agricoles et de des unités différentielles de gestion.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».