Assessment of FSDAF Accuracy on Cotton Yield Estimation Using Different MODIS Products and Landsat Based on the Mixed Degree Index with Different Surroundings
Notice bibliographique
Résumé
Research on fusion modeling of high spatial and temporal resolution images typically uses MODIS products at 500 m and 250 m resolution with Landsat images at 30 m, but the effect on results of the date of reference images and the ‘mixed pixels’ nature of moderate-resolution imaging spectroradiometer (MODIS) images are not often considered. In this study, we evaluated those effects using the flexible spatiotemporal data fusion model (FSDAF) to generate fusion images with both high spatial resolution and frequent coverage over three cotton field plots in the San Joaquin Valley of California, USA. Landsat images of different dates (day-of-year (DOY) 174, 206, and 254, representing early, middle, and end stages of the growing season, respectively) were used as reference images in fusion with two MODIS products (MOD09GA and MOD13Q1) to produce new time-series fusion images with improved temporal sampling over that provided by Landsat alone. The impact on the accuracy of yield estimation of the different Landsat reference dates, as well as the degree of mixing of the two MODIS products, were evaluated. A mixed degree index (MDI) was constructed to evaluate the accuracy and time-series fusion results of the different cotton plots, after which the different yield estimation models were compared. The results show the following: (1) there is a strong correlation (above 0.6) between cotton yield and both the Normalized Difference Vegetation Index (NDVI) from Landsat (NDVIL30) and NDVI from the fusion of Landsat with MOD13Q1 (NDVIF250). (2) Use of a mid-season Landsat image as reference for the fusion of MODIS imagery provides a better yield estimation, 14.73% and 17.26% higher than reference images from early or late in the season, respectively. (3) The accuracy of the yield estimation model of the three plots is different and relates to the MDI of the plots and the types of surrounding crops. These results can be used as a reference for data fusion for vegetation monitoring using remote sensing at the field scale.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».