Comparison between Dense L-Band and C-Band Synthetic Aperture Radar (SAR) Time Series for Crop Area Mapping over a NISAR Calibration-Validation Site
Notice bibliographique
Résumé
Crop area mapping is important for tracking agricultural production and supporting food security. Spaceborne approaches using synthetic aperture radar (SAR) now allow for mapping crop area at moderate spatial and temporal resolutions. Multi-frequency SAR data is highly useful for crop monitoring because backscatter response from vegetation canopies is wavelength dependent. This study evaluates the utility of C-band Sentinel-1B (Sentinel-1) and L-band ALOS-2 (PALSAR) data, collected during the 2019 growing season, for generating accurate active crop extent (crop vs. non-crop) classifications over an agricultural region in western Canada. Evaluations were performed against the Agriculture and Agri-Food Canada satellite-based Annual Cropland Inventory (ACI), an open data product that maps land cover across the extent of Canada’s agricultural land. Classifications were performed using the temporal coefficient of variation (CV) approach, where an optimal crop/non-crop delineating CV threshold (CVthr) is selected according to Youden’s J-statistic. Results show that crop area mapping agreed better with the ACI when using Sentinel-1 data (83.5%) compared to PALSAR (73.2%). Analysis of performance by crop reveals that PALSAR’s poorer performance can be attributed to soybean, urban, grassland, and pasture ACI classes. This study also compared CV values to in situ wet biomass data for canola and soybeans, showing that crops with lower biomass (soybean) had correspondingly lower CV values.
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 | 0,001 |
| 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 ».