Mapping Rice Fields in Urban Shanghai, Southeast China, Using Sentinel-1A and Landsat 8 Datasets
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
Sentinel-1A and Landsat 8 images have been combined in this study to map rice fields in urban Shanghai, southeast China, during the 2015 growing season. Rice grown in paddies in this area is characterized by wide inter-field variability in addition to being fragmented by other landuses. Improving rice classification accuracy requires the use of multi-source and multi-temporal high resolution data for operational purposes. In this regard, we first exploited the temporal backscatter of rice fields and background land-cover types at the vertical transmitted and vertical received (VV) and vertical transmitted and horizontal received (VH) polarizations of Sentinel-1A. We observed that the temporal backscatter of rice increased sharply at the early stages of growth, as opposed to the relatively uniform temporal backscatter of the other land-cover classes. However, the increase in rice backscatter is more sustained at the VH polarization, and two-class separability measures further indicated the superiority of VH over VV in discriminating rice fields. We have therefore combined the temporal VH images of Sentinel-1A with the normalized difference vegetation index (NDVI) and the modified normalized difference water index (MNDWI) derived from a single-date cloud-free Landsat 8 image. The integration of these optical indices with temporal backscatter eliminated all commission errors in the Rice class and increased overall accuracy by 5.3%, demonstrating the complimentary role of optical indices to microwave data in mapping rice fields in subtropical and urban landscapes such as Shanghai.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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