Field validation of NDVI to identify crop phenological signatures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Purpose and Methods Crop identification using remotely sensed imagery provides useful information to make management decisions about land use and crop health. This research used phonecams to acquire the Normalized Difference Vegetation Index (NDVI) of various crops for three crop seasons. NDVI time series from Sentinel (L121-L192) images was also acquired using Google Earth Engine (GEE) for the same period. The resolution of satellite data is low therefore gap filling and smoothening filters were applied to the time series data. The comparison of data from satellite images and phenocam provides useful insight into crop phenology. The results show that NDVI is generally underestimated when compared to phenocam data. The Savitzky-Golay (SG) and some other gap filling and smoothening methods are applied to NDVI time series based on satellite images. The smoothened NDVI curves are statistically compared with daily NDVI series based on phenocam images as a reference. Results The SG method has performed better than other methods like moving average. Furthermore, polynomial order has been found to be the most sensitive parameter in applying SG filter in GEE. Sentinel (L121-L192) image was used to identify wheat during the year 2022–2023 in Sargodha district where experimental fields were located. The Random Forest Machine Leaning algorithm was used in GEE as a classifier. Conclusion The classification accuracy has been found 97% using this algorithm which suggests its usefulness in applying to other areas with similar agro-climatic characteristics.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,002 | 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 découle