Crop Height Estimation of Corn from Multi-Year RADARSAT-2 Polarimetric Observables Using Machine Learning
Notice bibliographique
Résumé
This study presents a demonstration of the applicability of machine learning techniques for the retrieval of crop height in corn fields using space-borne PolSAR (Polarimetric Synthetic Aperture Radar) data. Multi-year RADARSAT-2 C-band data acquired over agricultural areas in Canada, covering the whole corn growing period, are exploited. Two popular machine learning regression methods, i.e., Random Forest Regression (RFR) and Support Vector Regression (SVR) are adopted and evaluated. A set of 27 representative polarimetric parameters are extracted from the PolSAR data and used as input features in the regression models for height estimation. Furthermore, based on the unique capability of the RFR method to determine variable importance contributing to the regression, a smaller number of polarimetric features (6 out of 27 in our study) are selected in the final regression models. Results of our study demonstrate that PolSAR observables can produce corn height estimates with root mean square error (RMSE) around 40–50 cm throughout the growth cycle. The RFR approach shows better overall accuracy in corn height estimation than the SVR method in all tests. The six selected polarimetric features by variable importance ranking can generate better results. This study provides a new perspective on the use of PolSAR data in retrieving agricultural crop height from space.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».