Nonagriculturalization Detection Based on Vector Polygons and Contrastive Learning With High-Resolution Remote Sensing Images
Notice bibliographique
Résumé
The conversion of agricultural lands, termed “nonagriculturalization,” poses profound threats to food security and ecological stability. Remote sensing image change detection offers an invaluable tool for monitoring this phenomenon. However, most change detection techniques prioritize image comparison over exploiting accumulated vector datasets. Additionally, many current methods are not readily applicable in practical scenarios due to inadequate model generalization capabilities and a scarcity of samples, resulting in a continued reliance on manual intervention for nonagriculturalization detection. In response, this article introduces a novel change detection approach for nonagriculturalization based on the vector data and contrastive learning. Initially, the boundary-constrained simple noniterative clustering algorithm is applied to segment two-phase images under vector data guidance. Samples are then generated using an adaptive cropping method. For early phase image samples, a collaborative validation-based sample annotation framework is employed to optimize and annotate the samples, with the purified high-quality samples serving as the training set for subsequent classification. For later-phase image samples, only those within the cropland vector polygons are retained for prediction. Building on this, a semi-supervised cross-domain contrastive learning framework is proposed for remote sensing scene classification. Ultimately, by integrating nonagriculturalization rules and postprocessing techniques, areas undergoing nonagriculturalization are further detected. Validating our methodology on Wuxi and Yangzhou datasets yielded precision rates of 91.57% and 89.21%, with recall rates of 93.68% and 90.51%, respectively. These outcomes affirm the effectiveness of our method in nonagriculturalization detection, offering robust technical support for research in this domain.
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 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 | 0,001 |
| 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 tête enseignante, 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 ».