Semi-Automated Roadside Image Data Collection for Characterization of Agricultural Land Management Practices
Notice bibliographique
Résumé
Land cover management practices, including the adoption of cover crops or retaining crop residue during the non-growing season, has important impacts on soil health. To broadly survey these practices, a number of remotely sensed products are available but issues with cloud cover and access to agriculture fields for validation purposes may limit the collection of data over large regions. In this study, we describe the development of a mobile roadside survey procedure for obtaining ground reference data for the remote sensing of agricultural land use practices. The key objective was to produce a dataset of geo-referenced roadside digital images that can be used in comparison to in-field photos to measure agricultural land use and land cover associated with crop residue and cover cropping in the non-growing season. We found a very high level of correspondence (>90% level of agreement) between the mobile roadside survey to in-field ground verification data. Classification correspondence was carried out with a portion of the county-level census image data against 114 in-field manually categorized sites with a level of agreement of 93%. The few discrepancies were in the differentiation of residue levels between 30–60% and >60%, both of which may be considered as achieving conservation practice standards. The described mobile roadside image capture system has advantages of relatively low cost and insensitivity to cloudy days, which often limits optical remote sensing acquisitions during the study period of interest. We anticipate that this approach can be used to reduce associated field costs for ground surveys while expanding coverage areas and that it may be of interest to industry, academic, and government organizations for more routine surveys of agricultural soil cover during periods of seasonal cloud cover.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 ».