Rice Inundation Assessment Using Polarimetric UAVSAR Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Irrigated rice requires intense water management under typical agronomic practices. Cost effective tools to improve the efficiency and assessment of water use is a key need for industry and resource managers to scale ecosystem services. In this research we advance model‐based decomposition and machine learning to map inundated rice using time‐series polarimetric, L ‐band Uninhabited Aerial Vehicle Synthetic Aperture Radar (UAVSAR) observations. Simultaneous ground truth observations recorded water depth inundation during the 2019 crop season using instrumented fields across the study site in Arkansas, USA. A three‐component model‐based decomposition generated metrics representing surface‐, double bounce‐, and volume‐scattering along with a shape factor, randomness factor, and the Radar Vegetation Index (RVI). These physically meaningful metrics characterized crop inundation status independent of growth stage including under dense canopy cover. Machine learning (ML) comparisons employed Random Forest (RF) using the UAVSAR derived parameters to identify cropland inundation status across the region. Outcomes show that RVI, proportion of the double‐bounce within total scattering, and the relative comparison between the double‐bounce and the volume scattering have moderate to strong mechanistic ability to identify rice inundation status with Overall Accuracy (OA) achieving 75%. The use of relative ratios further helped mitigate the impacts of far range incidence angles. The RF approach, which requires training data, achieved a higher OA and Kappa of 88% and 71%, respectively, when leveraging multiple SAR parameters. Thus, the combination of physical characterization and ML provides a powerful approach to retrieving cropland inundation under the canopy. The growth of polarimetric L ‐band availability should enhance cropland inundation metrics beyond open water that are required for tracking water quantity at field scale over large areas.
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.
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 découle