Developing a phenology- and pixel-based algorithm for mappingrapeseed at 10 m spatial resolution using multi-source data
Notice bibliographique
Résumé
Abstract. As a major oilseed crop, large-scale and high-resolution maps of rapeseed (Brassica napus L.) are critical for predicting annual production and ensuring global energy security. However, such free maps are still unavailable in large areas. We designed a new pixel- and phenology-based algorithm and produced a new data product for rapeseed planting area (2017–2019) over 33 countries at 10-m spatial resolution based on the multiple data. The product showed a good consistence (R2 = 0.88) with the official statistics (Food and Agricultural Organization of the United Nations, FAO) at national level. Rapeseed maps achieved at least 0.81 F1-scores of spatial consistency when comparing with the Cropland Data Layer (CDL) of America, Annual Crop Inventory (ACI) in Canada and Crop Map of England (CROME) in England. Moreover, their F1-scores ranged 0.84–0.92 based on the independent validation samples, implying a good consistency with ground truth. Furthermore, we found that rapeseed crop rotation is ≥2 years in almost all countries. Our derived maps with high accuracy suggest the robustness of pixel- and phenology-based algorithm in identifying rapeseed over large regions with various climate and landscapes. The derived rapeseed planting areas freely downloaded can be applied to predict rapeseed production and optimize planting structure. The product is available publicly at http://dx.doi.org/10.17632/ydf3m7pd4j.3 (Han et al., 2021).
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».