AGRICULTURE LAND USE MAPPING USING MULTI-SENSOR AND MULTI- TEMPORAL EARTH OBSERVATION DATA
Notice bibliographique
Résumé
Large area mapping of crop information is a crucial source of information on agricultural land use, and can be done most efficiently using Earth observation (EO) technology. Agriculture and Agri-Food Canada (AAFC) is developing a crop inventory system based on EO data. Detailed crop type identification relies on image data acquired during key crop phenological stages in order to capture the unique temporal signature of individual crop types. Optical data such as Landsat and SPOT can provide valuable information for crop classification, however, cloud cover is a reoccurring obstacle to the application of optical data, hindering mapping and monitoring at regional and national scales. Consequently, the integration of radar with optical EO data is essential for operational monitoring over many areas. Crop information mapping from EO data was conducted by AAFC for two consecutive years (2004 and 2005) over an Eastern Ontario pilot site. Landsat, SPOT, RADARSAT (standard mode), and Envisat ASAR (VV, VH) data were acquired during the growing seasons for both years. This site consists primarily of corn, soybean, cereal, forage production, and animal pasture. Three classification techniques (MaximumLikelihood Classifier, Decision-Tree Classifier, and Neural Network Classifier) were applied to various image combinations. Overall, these results show that data acquired later in the growing season provide a better classification accuracy for both optical and radar data. The integration of radar and optical data resulted in a synergistic effect, producing an increase in classification accuracies (individual class accuracy, overall accuracy, and Kappa coefficient).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».