Mapping Rice Fields in Urban Shanghai, Southeast China, Using Sentinel-1A and Landsat 8 Datasets
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.
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) | 0,000 | 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 ».