Crop-type identification potential of Radarsat-2 and MODIS images for the Canadian prairies
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
Owing to their high-frequency revisit and weather independence with high image resolution, Moderate Resolution Imaging Spectroradiometer (MODIS) and Radarsat-2 SAR (ScanSAR (synthetic aperture radar)), respectively, provide data suitable for regional-level crop-type identification in the Canadian prairies. The challenge remains in optimally combining data from the two sources, to identify crop types in individual fields. This study investigated an approach based on image fusion and a specially designed classification to obtain a result with the high spatial detail of ScanSAR and the spectral information from MODIS. The methodology employs a wavelet-IHS (intensity, hue, and saturation) combined image fusion method to enhance the spatial resolution of the MODIS data using ScanSAR data, followed by a multiresolution segmentation process supported by a road network database to generate the final classification. The fusion-classification approach yielded a result suitable for both visual and digital analysis. The overall classification accuracy of the fused data set was about 72%, higher than accuracies achieved for ScanSAR images (transformed as principal components), the MODIS data alone, or a combination of the ScanSAR principal components and MODIS data. While further investigation is warranted, this approach appears to have the attributes required for operational crop-type identification in situations where such information is required frequently and over large areas.
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