Field-Scale Rice Yield Estimation Using Sentinel-1A Synthetic Aperture Radar (SAR) Data in Coastal Saline Region of Jiangsu Province, China
Notice bibliographique
Résumé
In recent years, a large number of salterns have been converted into rice fields in the coastal region of Jiangsu Province, Eastern China. The high spatial heterogeneity of soil salinity has caused large within-field variabilities in grain yield of rice. The identification of low-yield areas within a field is an important initial step for precision farming. While optical satellite remote sensing can provide valuable information on crop growth and yield potential, the availability of cloud-free optical image data is often hampered by unfavorable weather conditions. Synthetic aperture radar (SAR) offers an alternative due to its nearly day-and-night and all-weather capability in data acquisition. Given the free data access of the Sentinels, this study aimed at developing a Sentinel-1A-based SAR index for rice yield estimation. The proposed SAR simple difference (SSD) index uses the change of the Sentinel-1A backscatter in vertical-horizontal (VH) polarization between the end of the tillering stage and the end of grain filling stage (SSDVH). A strong exponential relationship has been identified between the SSDVH and rice yield, producing accurate yield estimation with a root mean square error (RMSE) of 0.74 t ha−1 and a relative error (RE) of 7.93%.
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 ».