Quantifying Hail Damage in Crops Using Sentinel-2 Imagery
Notice bibliographique
Résumé
Hailstorms are a frequent natural weather disaster in the Canadian Prairies that can cause catastrophic damage to field crops. Assessment of damage for insurance claims requires insurance inspectors to visit individual fields and estimate damage on individual plants. This study computes temporal profiles and estimates the severity of hail damage to crops in 54 fields through the temporal analysis of vegetation indices calculated from Sentinel-2 images. The damage estimation accuracy of eight vegetative indices in different temporal analyses of delta index (pre-and post-hail differences) or area under curve (AUC) index (time profiles of index affected by hail) was compared. Hail damage was accurately quantified by using the AUC of 32 days of Normalized Difference Vegetation Indices (NDVI), Normalized Difference Water Index (NDWI), and Plant Senescence Radiation Index (PSRI). These metrics were well correlated with ground estimates of hail damage in canola (r = −0.90, RMSE = 8.24), wheat (r = −0.86, RMSE = 12.27), and lentil (r = 0.80, RMSE = 17.41). Thus, the time-series changes in vegetation indices had a good correlation with ground estimates of hail damage which may allow for more accurate assessment of the extent and severity of hail damage to crop land.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».