A novel feature space monitoring index of salinisation in the Yellow River Delta based on SENTINEL‐2B MSI images
Notice bibliographique
Résumé
Abstract Most of previous studies utilized the surface parameters from LANDSAT images to construct the feature space monitoring index model of salinisation (salinization), and a few studies that have combined the feature space model with SENTINEL‐2B MSI images have been reported. In addition, the red edge index derived from SENTINEL‐2B MSI images can provide more detailed information to indicate the vegetation condition when monitoring salinized land ecosystems. Based on SENTINEL‐2B MSI images, this paper introduces seven typical parameters, namely NDVI, MSAVI, SI, Albedo, NDre1, NDre2, and NDre3 (red edge index) to construct two category features space models (point‐to‐line type and point‐to‐point type), and then, a novel salinisation monitoring index for use in the Yellow River Delta (YRD). Our main conclusions showed that: (1) the monitoring index model based on SENTINEL‐2B MSI images and a feature space model has high applicability for the salinisation monitoring in the YRD, with an average precision of R 2 = 0.8499; (2) the point‐to‐point monitoring index of soil salinisation based on the NDre1‐SI feature space model has the best inversion accuracy of R 2 = 0.9305 and RMSE = 0.9926; (3) the red edge index can better indicate the state and evolution process of soil salinisation. The salinisation monitoring models that included the red edge indexes have higher inversion accuracy with an average value of R 2 = 0.8650; (4) the soil salinisation in the YRD was more serious in its eastern and northeastern regions than other parts. The results provide a new technical and methodological approach for the prevention and treatment of regional salinisation.
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 | 0,000 |
| 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 ».