MétaCan
Menu
Retour à la cohorte
Enregistrement W3184649762 · doi:10.3390/rs13152961

Cloud Cover throughout All the Paddy Rice Fields in Guangdong, China: Impacts on Sentinel 2 MSI and Landsat 8 OLI Optical Observations

2021· article· en· W3184649762 sur OpenAlexaff
Rui Jiang, Arturo Sánchez‐Azofeifa, Kati Laakso, Yan Xu, Zhiyan Zhou, Xiwen Luo, Junhao Huang, Xin Chen, Yu Zang

Notice bibliographique

RevueRemote Sensing · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensUniversity of Alberta
Organismes subventionnairesBasic and Applied Basic Research Foundation of Guangdong ProvinceChina Scholarship CouncilNational Natural Science Foundation of China
Mots-clésCloud coverEnvironmental scienceRemote sensingSatelliteSubtropicsPaddy fieldSatellite imageryChinaCloud computingPhysical geographyGeography

Résumé

récupéré en direct d'OpenAlex

Cloud cover hinders the effective use of vegetation indices from optical satellite-acquired imagery in cloudy agricultural production areas, such as Guangdong, a subtropical province in southern China which supports two-season rice production. The number of cloud-free observations for the earth-orbiting optical satellite sensors must be determined to verify how much their observations are affected by clouds. This study determines the quantified wide-ranging impact of clouds on optical satellite observations by mapping the annual total observations (ATOs), annual cloud-free observations (ACFOs), monthly cloud-free observations (MCFOs) maps, and acquisition probability (AP) of ACFOs for the Sentinel 2 (2017–2019) and Landsat 8 (2014–2019) for all the paddy rice fields in Guangdong province (APRFG), China. The ATOs of Landsat 8 showed relatively stable observations compared to the Sentinel 2, and the per-field ACFOs of Sentinel 2 and Landsat 8 were unevenly distributed. The MCFOs varied on a monthly basis, but in general, the MCFOs were greater between August and December than between January and July. Additionally, the AP of usable ACFOs with 52.1% (Landsat 8) and 47.7% (Sentinel 2) indicated that these two satellite sensors provided markedly restricted observation capability for rice in the study area. Our findings are particularly important and useful in the tropics and subtropics, and the analysis has described cloud cover frequency and pervasiveness throughout different portions of the rice growing season, providing insight into how rice monitoring activities by using Sentinel 2 and Landsat 8 imagery in Guangdong would be impacted by cloud cover.

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)0,000
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 enseignants0,095
Score d'incertitude au seuil0,188

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,020
Tête enseignante GPT0,255
Écart entre enseignants0,235 · 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

Citations27
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetRemote Sensing in AgricultureTravaux en français237 207