In-season crop inventory using multi-angle and multi-pass RADARTSAT-2 SAR data over the Canadian prairies
Notice bibliographique
Résumé
In response to the increasing demand on in-season crop inventory, this study presents results of early season crop identification and acreage estimates based on a random forest classifier using RADARSAT-2 fine quad (FQ) SAR data. Thirty RADARSAT-2 FQ SAR scenes acquired over Indian Head, Canada, during the 2009 AgriSAR campaign led by the European Space Agency (ESA) were analyzed. Consistent with results from other researches, this study revealed that the highest classification accuracies are achieved in mid to late season (early July to mid August) when most of the crops experiencing vegetative growth and early reproduction. In addition by incorporating multi-beam images, an increase in classification accuracy of 2% to 12% can be achieved. For images acquired close in time, shallower incidence angles usually give better classification accuracy compared with steeper incidence angles. In order to achieve optimal classification performance, both multi-temporal and multi-beam acquisitions should be combined. For major crops such as canola, spring wheat, lentil, and field peas, over 85% accuracies can be reached early in the growing season (early July) when multi-temporal multi-beam RADARSAT-2 FQ data are used.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».