On the use of temporal vegetation indices in support of eligibility controls for EU aids in agriculture
Notice bibliographique
Résumé
The use of remote sensing in the context of the Common Agricultural Policy (CAP) has progressively become an official method to support European (EU) Member States in carrying out controls about declarations of farmers requiring EU subsidies in agriculture.Reliable automatic or semi-automatic methodologies aiming at crop identification are still being developed and the only technique, which is officially accepted in the CAP context, remains photo interpretation of high/very high (satellite or aerial) orthoimages. To verify past situations, only orthophotos can be used but, unfortunately, they are not always available. In these cases, the use of satellite sensors with adequate spatial, spectral, and temporal resolutions, together with a reliable data analysis technique, could support or even substitute orthophoto interpretation.In this study, we propose a multi-temporal, multispectral algorithm exploiting the Thematic Mapper/Enhanced Thematic Mapper Plus data on Landsat platforms to identify different land covers in the context of CAP. Here it is presented to discriminate arable from non-arable lands. Assessment of the methodology was carried out using Corine 2012 and more than 1500 validation points over Basilicata region (Southern Italy). A general good agreement was found (74%), which increases to 82% in the specific case of arable land identification.
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 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 | 0,001 | 0,001 |
| 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 | 0,000 | 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 tête enseignante, 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 ».