Use of Optical and Radar Imagery for Crop Type Classification in Africa: A Review
Notice bibliographique
Résumé
Multi-source remote sensing-derived information on crops contributes significantly to agricultural monitoring, assessment, and management. In Africa, some challenges (i.e., small-scale farming practices associated with diverse crop types and agricultural system complexity, and cloud coverage during the growing season) can imped agricultural monitoring using multi-source remote sensing. The combination of optical remote sensing and synthetic aperture radar (SAR) data has emerged as an opportune strategy for improving the precision and reliability of crop type mapping and monitoring. This work aims to conduct an extensive review of the challenges of agricultural monitoring and mapping in Africa in great detail as well as the current research progress of agricultural monitoring based on optical and Radar satellites. In this context optical data may provide high spatial resolution and detailed spectral information, which allows for the differentiation of different crop types based on their spectral signatures. However, synthetic aperture radar (SAR) satellites can provide important contributions given the ability of this technology to penetrate cloud cover, particularly in African tropical regions, as opposed to optical data. This review explores various combination techniques employed to integrate optical and SAR data for crop type classification and their applicability and limitations in the context of African countries. Furthermore, challenges are discussed in this review as well as and the limitations associated with optical and SAR data combination, such as the data availability, sensor compatibility, and the need for accurate ground truth data for model training and validation. This study also highlights the potential of advanced modelling (i.e., machine learning algorithms, such as support vector machines, random forests, and convolutional neural networks) in improving the accuracy and automation of crop type classification using combined data. Finally, this review concludes with future research directions and recommendations for utilizing optical and SAR data combination techniques in crop type classification for African agricultural systems. Furthermore, it emphasizes the importance of developing robust and scalable classification models that can accommodate the diversity of crop types, farming practices, and environmental conditions prevalent in Africa. Through the utilization of combined remote sensing technologies, informed decisions can be made to support sustainable agricultural practices, strengthen nutritional security, and contribute to the socioeconomic development of the continent.
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 | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».