Utilizing both Radarsat-2 And TerraSAR-X polarimetrie data for crop growth stages estimation
Notice bibliographique
Résumé
This paper uses RADARSAT-2 quad Polarimetrie Synthetic Aperture Radar and TerraSAR-X dual polarimetrie SAR data to estimate agriculture crop growth stages. Ten RADARSAT-2 Fine Quad Wide beam modes data and 13 sets of Stripmap TerraSAR-X data with duel HH and VV polarizations were used in this study. Polarimetrie features such as differential reflectivity bands ratio, entropy, anisotropy, alpha angle, lambda, scattering diversity and polarization index were extracted and evaluated for wheat and canola crop types. The results from both RADARSAT-2 and TerraSAR-X data were compared; they demonstrated clear correlations between crop growth stages obtained from the ground truth data and polarimetric parameters. A stepwise regression feature selection technique was employed for determine the most suitable parameters for different crop types by utilizing both RADARSAT-2 and TerraSAR-X data. By integrating of the selected polarimetrie parameters from both Radarsat-2 and TerraSAR-X data, the more aeeurate estimate of the erop growth stages was aehieved and validated using erop growth stage ground truth data. The estimation of erop growth stages was performed on the elassified erop image subsets aequired at different dates. The results indieates that the mean square errors of the estimated erop growth stages are redueed using integrated/combined polarimetrie parameters from both RADARSAT-2 and TerraSAR-X data, as opposed to using a single sensor.
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) | 0,001 | 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 ».