The Contribution of ALOS PALSAR Multipolarization and Polarimetric Data to Crop Classification
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
Mapping and monitoring changes in the distribution of cropland provide information that aids sustainable approaches to agriculture and supports early warning of threats to global and regional food security. This paper tested the capability of Phased Array type L-band Synthetic Aperture Radar (SAR) (PALSAR) multipolarization and polarimetric data for crop classification. L-band results were compared with those achieved with a C-band SAR data set (ASAR and RADARSAT-1), an integrated C- and L-band data set, and a multitemporal optical data set. Using all L-band linear polarizations, corn, soybeans, cereals, and hay-pasture were classified to an overall accuracy of 70%. A more temporally rich C-band data set provided an accuracy of 80%. Larger biomass crops were well classified using the PALSAR data. C-band data were needed to accurately classify low biomass crops. With a multifrequency data set, an overall accuracy of 88.7% was reached, and many individual crops were classified to accuracies better than 90%. These results were competitive with the overall accuracy achieved using three Landsat images (88.0%). L-band parameters derived from three decomposition approaches (Cloude-Pottier, Freeman-Durden, and Krogager) produced superior crop classification accuracies relative to those achieved using the linear polarizations. Using the Krogager decomposition parameters from all three PALSAR acquisitions, an overall accuracy of 77.2% was achieved. The results reported in this paper emphasize the value of polarimetric, as well as multifrequency SAR, data for crop classification. With such a diverse capability, a SAR-only approach to crop classification becomes increasingly viable.
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 | 0,000 |
| 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 découle