Synthetic Aperture Radar (SAR) image processing for operational space-based agriculture mapping
Notice bibliographique
Résumé
Few countries are using space-based Synthetic Aperture Radar (SAR) to operationally produce national-scale maps of their agricultural landscapes. For the past ten years, Canada has integrated C-band SAR with optical satellite data to map what crops are grown in every field, for the entire country. While the advantages of SAR are well understood, the barriers to its operational use include the lack of familiarity with SAR data by agricultural end-user agencies and the lack of a ‘blueprint’ on how to implement an operational SAR-based mapping system. This research reviewed order of operations for SAR data processing and how order choice affects processing time and classification outcomes. Additionally this research assessed the impact of speckle filtering by testing three filter types (adaptive, multi-temporal and multi-resolution) at varying window sizes for three study sites with different average field sizes. The Touzi multi-resolution filter achieved the highest overall classification accuracies for all three sites with varying window sizes, and with only a small (< 2%) difference in accuracy relative to the Gamma Maximum A Posteriori (MAP) adaptive filter which had similar window sizes across sites. As such, the assessment of order of operations for noise reduction and terrain correction was completed using the Gamma MAP adaptive filter. This research found there was no difference in classification accuracies regardless of whether noise reduction was applied before or after terrain correction. However, implementing the terrain correction as the first operation resulted in a 10 to 50% increase in processing time. This is an important consideration when designing and delivering operational systems, especially for large geographies like Canada where hundreds of SAR images are required. These findings will encourage country-wide, regional and global food monitoring initiatives to consider SAR sensors as an important source of data to operationally map agricultural production.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».