Integration of synthetic aperture radar and optical satellite data for corn biomass estimation
Notice bibliographique
Résumé
Efforts to use satellites to monitor the condition and productivity of crops, although extensive, can be challenging to operationalize at field scales in part due to low frequency revisit of higher resolution space-based sensors, in the context of an actively growing crop canopy. The presence of clouds and cloud shadows further impedes the exploitation of high resolution optical sensors for operational monitoring of crop development. The objective of this research was to present an option to facilitate greater temporal observing opportunities to monitor the accumulation of corn biomass, by integrating biomass products from Synthetic Aperture Radar (SAR) and optical satellite sensors. To accomplish this integration, a transfer function was developed using a Neural Network algorithm to relate estimated corn biomass from SAR to that estimated from optical data. With this approach, end users can exploit biomass products to monitor corn development, regardless of the source of satellite data.•The Water Cloud Model (WCM) was calibrated or parametrized for horizontal transmit and horizontal received (HH) and horizontal transmit and vertical received (HV) C-band SAR backscatter using a least square algorithm.•Biomass and volumetric soil moisture were estimated from dual-polarized RADARSAT-2 images without any ancillary input data.•A feed forward backpropagation Neural Network algorithm was trained as a transfer function between the biomass estimates from RADARSAT-2 and the biomass estimates from RapidEye.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».