Novel Clustering Schemes for Full and Compact Polarimetric SAR Data: An Application for Rice Phenology Characterization
Notice bibliographique
Résumé
Information on rice phenological stages from Synthetic Aperture Radar (SAR) images is of prime interest for in-season monitoring. Often, prior in-situ measurements of phenology are not available. In such situations, unsupervised clustering of SAR images might help in discriminating phenological stages of a crop throughout its growing period. Among the existing unsupervised clustering techniques using full-polarimetric (FP) SAR images, the eigenvalue-eigenvector based roll-invariant scattering-type parameter, and the scattering entropy parameter are widely used in the literature. In this study, we utilize a unique target scattering-type parameter, which jointly uses the Barakat degree of polarization and the elements of the polarimetric coherency matrix. Likewise, we also utilize an equivalent parameter proposed for compact-polarimetric (CP) SAR data. These scattering-type parameters are analogous to the Cloude-Pottier’s parameter for FP SAR data and the ellipticity parameter for CP SAR data. Besides this, we also introduce new clustering schemes for both FP and CP SAR data for segmenting diverse scattering mechanisms across the phenological stages of rice. In this study, we use the RADARSAT-2 FP and simulated CP SAR data acquired over the Indian test site of Vijayawada under the Joint Experiment for Crop Assessment and Monitoring (JECAM) initiative. The temporal analysis of the scattering-type parameters and the new clustering schemes help us to investigate detailed scattering characteristics from rice across its phenological stages.
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 | 0,004 |
| 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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».