Crop classification and acreage estimation in North Korea using phenology features
Notice bibliographique
Résumé
In North Korea, reliable and timely information on crop acreage and spatial distribution is hard to obtain. In this study, we developed a fast and robust method to estimate crop acreage in North Korea using time-series normalized difference vegetation index (NDVI) derived from the Moderate Resolution Imaging Spectroradiometer (MODIS) data. We proposed a method to identify crop type based on NDVI phenology features using data collected in other areas with similar agri-environmental conditions to mitigate the shortage of ground truth data. Eventually the classification map (MODIScrop) was assessed using the Food and Agriculture Organization (FAO) statistical data and high-resolution crop classification maps derived from one Landsat scene (LScrop). The Pareto boundary method was used to assess the accuracy and crop distribution of the MODIScrop maps. Results showed that acreage derived from the MODIScrop maps was generally consistent with that reported in the FAO data (a relative error <4.1% for rice and <6.1% for maize, and <9.0% for soybean except for in 2004, 2008, and 2009) and the maps derived from the LScrop (a relative error about 5% in 2013, and 7% in 2008 and 2014). The classification accuracy reached 74.4%, 69.8%, and 73.1% of the areas covered by the Landsat images in 2008, 2013, and 2014, respectively. This indicates that features derived from NDVI profiles were able to characterize major crops, and the approaches developed in this study are feasible for crop mapping and acreage estimation in regions with limited ground truth data.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 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 ».