Assessment of the Potential Use of Sentinel-1 C-Band SAR Sigma-Naught and Gamma-Naught Features to Support Rice Monitoring Activities
Notice bibliographique
Résumé
The availability of the cloud-free and publicly accessible Sentinel-1 C-band SAR data allows the development of large-scale and continuous remote sensing (RS)-based rice monitoring activities. This study examines backscatter values derived using ground-range radar cross-section (sigma-naught) and slant-range perpendicular radar cross-section (gamma-naught) on both polarization channels as features for classifying the rice transplanting period on rice fields in Subang Regency, Indonesia, using Classification and Regression Trees, Support Vector Machine, Random Forest, and Gradient Boosting classifiers. Overall, the gamma-naught features produced higher backscatter values over a rice-growing cycle, i.e., ranging from 5.8 to 8.8 percent and from 9.2 to 15.8 percent higher for VH and VV channels, respectively, than that generated by sigma-naught. Furthermore, overall accuracy (OA) and kappa coefficient (K) of gamma-naught features were superior to those derived by sigma-naught in all observed classifiers. Subsequently, the accuracy increment is higher in K than in OA, ranging from 3.2 to 18.6 percent for OA and from 5.1 to 41.1 percent for K. To conclude, the gamma-naught features have much higher potential than sigma-naught in classifying the rice transplanting period, further aiding SAR-supported RS-based rice monitoring activities.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».