MétaCan
Menu
Retour à la cohorte
Enregistrement W2097419478 · doi:10.1109/tgrs.2009.2026052

The Contribution of ALOS PALSAR Multipolarization and Polarimetric Data to Crop Classification

2009· article· en· W2097419478 sur OpenAlexaff
Heather McNairn, Jiali Shang, Xianfeng Jiao, Catherine Champagne

Notice bibliographique

RevueIEEE Transactions on Geoscience and Remote Sensing · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueSynthetic Aperture Radar (SAR) Applications and Techniques
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésPolarimetrySynthetic aperture radarRemote sensingData setBackscatter (email)Environmental scienceL bandC bandComputer scienceGeographyArtificial intelligenceScattering

Résumé

récupéré en direct d'OpenAlex

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.

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)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,022
Tête enseignante GPT0,259
Écart entre enseignants0,237 · 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'étudeExpérimental (laboratoire)
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

Citations227
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Geoscience and Remote SensingMême sujetSynthetic Aperture Radar (SAR) Applications and TechniquesTravaux en français237 207