Monitoring Crop Condition at Field Scales and at a Daily Time Step Using Synthetic Aperture Radar (SAR)
Notice bibliographique
Résumé
Operations that rely on optically-based Normalized Difference Vegetation Index (NDVI) to track crop productivity, are negatively impacted by cloud cover. In this research, parameters from Synthetic Aperture Radar (SAR) imagery were calibrated to NDVI with the targeted outcome to integrate SAR into Canadian crop monitoring services. Data from fully polarimetric RADARSAT-2 and dual-polarization Sentinel-1B imagery were calibrated to Sentinel-2 NDVI. Random Forest Regression (RFR) and Least Squares Boosting (LSBoost) were tested to calibrate SAR to NDVI (SARcal-NDVI) for six crops (corn, canola, soybeans, wheat, oats and barley). RADARSAT-2 provided the best fit with R2 exceeding 0.84 for canola, 0.87 for wheat and 0.90 for corn and soybeans. Correlations were lower for oats (R2 of 0.72–0.77) and barley (R2 of 0.43–0.64) due to a limited number of fields. Although a global model yielded lower correlations (R2 of 0.80), this model would be easier to implement into operations. Total power, the first and second eigenvalues and VH backscatter were important in reducing model error. The SARcal-NDVI and Growing Degree Days were then integrated into a Crop Structure Dynamic Model to produce daily estimates of crop condition, at field scales. The next step is to test if these daily estimates of crop condition can improve crop yield forecasting for the Canadian agriculture sector.
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 | 0,000 |
| 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) | 0,000 | 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 ».