A Comparison between Sentinel-2 and Landsat 8 OLI Satellite Images for Soil Salinity Distribution Mapping Using a Deep Learning Convolutional Neural Network
Notice bibliographique
Résumé
In this paper, we aim to compare the suitability of Sentinel-2 and Landsat 8 OLI images for detecting and mapping soil salinity distribution (SSD) using a deep learning convolutional neural network (DL-CNN) approach. We first identified and selected six SSD predisposing variables to train the models. These variables are the normalized difference vegetation index (NDVI), land use, soil types, geomorphology, land surface temperature, and evaporation rate. Next, we collected 219 ground control points from the top 20 cm of the soil surface and randomly divided them into training (70%) and validation (30%) datasets. We then evaluated the different activation, loss/cost, and optimization functions and, finally, employed ReLu, Cross-Entropy, and Adam as the most effective activation function, loss/cost function, and optimizer, respectively. The results showed that the Sentinel-2 image (94.78% overall accuracy and a Kappa of 93.14%) is more suitable for detecting and mapping SSD than the Landsat 8 OLI image (91.45% overall accuracy and a Kappa of 90.45%). Our findings also demonstrated that the DL-CNN approach can support fast and reliable image analysis and classification. As such, this research is a promising step toward understanding, controlling, and managing the complex mechanisms of soil salinization.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».