Fine Classification of Rice Paddy Based on RHSI-DT Method Using Multi-Temporal Compact Polarimetric SAR Data
Notice bibliographique
Résumé
In recent years, the compact polarimetric (CP) synthetic aperture radar (SAR) has become a hotspot of SAR Earth observation. Meanwhile, CP SAR provides both relatively rich polarization information and large swath-width for rice mapping. Fine classification of rice paddy plays an important role in growth monitoring, pest prevention and yield estimation of rice. In this study, the multi-temporal CP SAR data were firstly simulated by fully polarimetric RADARSAT-2 data, and 22 CP parameters from each of the six temporal CP SAR data were extracted. Then we built a rice height-sensitive index (RHSI). Furthermore, a decision tree (DT) method was established by using the optimal CP parameters based on RHSI. Finally, the classification results of rice paddy based on DT and support vector machine (SVM) methods were compared. Results showed that the RHSI-DT method could obtain better results, with an overall accuracy of 97.94% and a kappa coefficient of 0.973, which was 2% higher and 0.03 larger than those of the SVM method. Besides, we found that the surface scattering of m-χ decomposition (m-χ_s (0627)) and ΔShannon entropy intensity Hi (Hi (1015)-Hi (0627)) were highly effective parameters to distinguish paddies of transplanting hybrid rice (T-H) and direct-sown japonica rice (D-J).
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 ».