Crop type identification and spatial mapping using Sentinel-2 satellite data with focus on field-level information
Notice bibliographique
Résumé
Accurate monitoring of croplands helps in making decisions (for insurance claims, crop management and contingency plans) at the macro-level, especially in drylands where variability in cropping is very high owing to erratic weather conditions. Dryland cereals and grain legumes are key to ensuring the food and nutritional security of a large number of vulnerable populations living in the drylands. Reliable information on area cultivated to such crops forms part of the national accounting of food production and supply in many Asian countries, many of which are employing remote sensing tools to improve the accuracy of assessments of cultivated areas. This paper assesses the capabilities and limitations of mapping cultivated areas in the Rabi (winter) season and corresponding cropping patterns in three districts characterized by small-plot agriculture. The study used Sentinel-2 Normalized Difference Vegetation Index (NDVI) 15-day time-series at 10 m resolution by employing a Spectral Matching Technique (SMT) approach. The use of SMT is based on the well-studied relationship between temporal NDVI signatures and crop phenology. The rabi season in India, dominated by non-rainy days, is best suited for the application of this method, as persistent cloud cover will hamper the availability of images necessary to generate clearly differentiating temporal signatures. Our study showed that the temporal signatures of wheat, chickpea and mustard are easily distinguishable, enabling an overall accuracy of 84%, with wheat and mustard achieving 86% and 94% accuracies, respectively. The most significant misclassifications were in irrigated areas for mustard and wheat, in small-plot mustard fields covered by trees and in fragmented chickpea areas. A comparison of district-wise national crop statistics and those obtained from this study revealed a correlation of 96%.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».