Irrigated rice-field mapping in Brazil using phenological stage information and optical and microwave remote sensing
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
Irrigated rice-field mapping methodologies have been rapidly evolving as a result of advanced remote sensing (RS) technology. However, current methods rely on extensive time-series data and a wide range of multi-spectral bands. These methods often struggle with classification accuracy with contaminated satellite data due to environmental factors or acquisition device constraints, e.g., cloud cover, shadows, noise, and the temporal and spectral resolution trade-off. Our goal is map irrigated rice-field by using a suitable satellite image band composition instead of time-series data. We divide the growth cycle into different rice phenological stages: beginning, middle and end of season, as well as the season transition periods. Near-infrared (NIR), short-wave infrared (SWIR) and red bands of MultiSpectral Instrument - MSI/Sentinel-2 (optical RS), along with polarizations of VV (vertical–vertical) and VH (vertical–horizontal) of Sentinel-1 C-band Synthetic Aperture Radar (SAR) (microwave RS), were used to create ten different false-color image composites. Ground truth maps from two consecutive growth seasons (2017/2018 and 2018/2019) served as references. We applied a modified version of the Fusion Adaptive Patch Network (FAPNET), named as Patch Layer Adaptive Network (PLANET) convolutional neural network (CNN) to obtain binary rice mapping, which was evaluated using the traditional Mean Intersection over Union (MIoU) and Dice coefficient. Analytic results show that the end of season is the most suitable for obtaining a reliable classification based on optical and SAR sensors. Although complex rice-field pose challenges, our predictions consistently scored a MIoU above 0.9. We conclude that choosing the right phenological stage for rice mapping combined with deep learning model can greatly improve the classification results. These results indicate that the choice of composition significantly impacts classification accuracy, especially in more complex environments.
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 | 0,000 |
| 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 découle