Combination of Optical and SAR Sensors for Monitoring Biomass Over Corn Fields
Notice bibliographique
Résumé
In this study, a cross-calibration approach was applied to combine RADARSAT-2 and RapidEye sensors for biomass monitoring over corn fields. First, RapidEye and RADARSAT-2 sensors were compared in terms of biomass estimation. Then the estimated biomass from RADARSAT-2 was cross-calibrated with respect to the biomass estimated from RapidEye. Combination of the optical and cross-calibrated Synthetic Aperture Radar (SAR) derived biomass was proposed to have higher temporal resolution biomass maps. Vegetation indices including normalized difference vegetation index (NDVI), red-edge triangular vegetation index (RTVI), simple ratio (SR) and red-edge simple ratio (SRre) were used for modeling of biomass estimation from RapidEye. Water Cloud Model (WCM) was also used for biomass estimation from RADARSAT-2. Data collected during SMAP Validation Experiment 2012 (SMAPVEX12) field campaign was used for validation. The results demonstrate that the accuracies of biomass estimations from RapidEye and RADARSAT-2 are close. For RapidEye, the highest accuracies derived from RTVI index with correlation coefficient (R) of 0.92 and Root Mean Square of (RMSE) of 118.18 gr/m <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> . The R values derived from RADARSAT-2 is 0.83 and its RMSE is 171.93 gr/m <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> . After cross-calibration of the biomass derived from RADARSAT-2 versus those derived from RapidEye, the RMSE of estimates dropped by 18.86 gr/m <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> .
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 | 0,000 | 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 | 0,000 | 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 ».