MétaCan
Menu
Retour à la cohorte
Enregistrement W3117554305 · doi:10.4236/ars.2020.93006

Complementarity of Sentinel-1 and Sentinel-2 Data for Mapping Agricultural Areas in Senegal

2020· article· en· W3117554305 sur OpenAlexaff
Gayane Faye, Fama Mbengue, Lacina Coulibaly, Mamadou Adama Sarr, Modou Mbaye, Amath Tall, Dome Tine, Omar Marigo, Mouhamadou Moustapha Mbacke Ndour

Notice bibliographique

RevueAdvances in Remote Sensing · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensUniversité de Moncton
Organismes subventionnairesnon disponible
Mots-clésNormalized Difference Vegetation IndexGrowing seasonRadarAgricultureRemote sensingGeographyAgronomyEnvironmental sciencePhysical geographyLeaf area indexBiology

Résumé

récupéré en direct d'OpenAlex

The small size of agricultural plots is the main difficulty for crops mapping with remote sensing data in the Sahelian region of Africa. The study aims to combine Sentinel-1 (radar) and Sentinel-2 (Optic) data to discriminate millet, maize and peanut crops. Training plots were used in order to analyse temporal variation of the three crops’ signals. The NDVI (Normalized Difference Vegetation Index) was able to differentiate crops only at the end of the rainy season (October). The optical data as well as the radar ones could not easily discriminate the three crops during the growing season, because in that period vegetation cover is low, and soil contribution to the signals (due to roughness and moisture) was more important than that of real vegetation. However, the ratio of VH/VV (VH: incident signal in vertical polarization and reflected signal in horizontal polarization; VV: incident signal in vertical polarization and reflected signal in horizontal polarization) gave a difference between millet and the two other crops at the beginning cultural season (July 11). Difference appears from the second third of September when the harvest of cereals crops (millet and maize) began. From middle of October, the peanut signal dropped sharply thus facilitating the differentiation of peanut from the two other crops. This analysis led to the identification of data that have could be used to discriminate these crops (useful data). Classification of the combined useful data gave an overall high accuracy of 82%, with 96%, 61% and 65% for peanut, maize and millet, respectively. The non-agricultural areas (water, natural vegetation, habit, bare soil) were well classified with an accuracy greater than 90%.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,275
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Remote SensingMême sujetRemote Sensing in AgricultureTravaux en français237 207