NEW MICROWAVE-BASED MISSIONS APPLICATIONS FOR RAINFED CROPS CHARACTERIZATION
Notice bibliographique
Résumé
Abstract. A multi-temporal/multi-sensor field experiment was conducted within the Soil Moisture Measurement Stations Network of the University of Salamanca (REMEDHUS) in Spain, in order to retrieve useful information from satellite Synthetic Aperture Radar (SAR) and upcoming Global Navigation Satellite Systems Reflectometry (GNSS-R) missions. The objective of the experiment was first to identify which radar observables are most sensitive to the development of crops, and then to define which crop parameters the most affect the radar signal. A wide set of radar variables (backscattering coefficients and polarimetric indicators) acquired by Radarsat-2 were analyzed and then exploited to determine variables characterizing the crops. Field measurements were fortnightly taken at seven cereals plots between February and July, 2015. This work also tried to optimize the crop characterization through Landsat-8 estimations, testing and validating parameters such as the leaf area index, the fraction of vegetation cover and the vegetation water content, among others. Some of these parameters showed significant and relevant correlation with the Landsat-derived Normalized Difference Vegetation Index (R>0.60). Regarding the radar observables, the parameters the best characterized were biomass and height, which may be explored for inversion using SAR data as an input. Moreover, the differences in the correlations found for the different crops under study types suggested a way to a feasible classification of crops.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».