Identification and Classification of Complex Agricultural Croplands Using Multi-Temporal ALOS-2/PALSAR-2 Data: A Case Study in Central Java, Indonesia
Notice bibliographique
Résumé
The agriculture sector makes a significant contribution to the Indonesian economy and has become one of the sources of national income. Therefore, precise agricultural mapping is very important to national and regional administrations. Satellite remote sensing provides the most effective tool for identifying a wide expanse of agriculture croplands. However, cloud coverage in tropical regions limits the use of optical remote sensing. SAR is an active remote sensing technique, which offers completely cloud-free observation data. The multi-temporal ALOS-2/PALSAR-2 data were used in this study, complemented by optical multi-temporal remote sensing data, that is, Landsat 8 OLI for classifying complex agricultural croplands. The study area, located in the Klaten Regency, Central Java Province, with 112 km2 coverage, was selected because of its dynamic cropping pattern and complex agricultural land use types. In this study, the RGB composite of HH, HV and HV-HH, derived from ALOS-2/PALSAR-2 polarizations, was found to be effective at separating two types of paddy field cropping pattern: all-year paddy (paddy-I) and paddy upland fields (paddy-II). The multi-temporal Landsat 8 data were also found to be useful for observing the cropping pattern. Moreover, the classification accuracy, which was as high as 85.02% in terms of overall accuracy, with a kappa coefficient of 0.824, from multi-temporal ALOS-2/PALSAR-2 data, was obtained. These results show that multi-temporal ALOS-2/PALSAR-2 data are capable of discriminating between two different paddy field cropping types, as well as beneficial for discriminating between the cropping stage and cropping pattern information for several other land uses.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».