Remote sensing-based spatiotemporal dynamics of agricultural drought on Prince Edward Island using Google Earth engine
Notice bibliographique
Résumé
Climate change is a primary factor contributing to widespread drought conditions worldwide. Therefore, assessing agricultural drought's spatial and temporal extent is crucial. This study explicitly applies remote sensing techniques to monitor drought in the cropland area of Prince Edward Island, Canada, with a particular emphasis on potato crops. The long-term drought was evaluated using MODIS for 2012–2022, while the seasonal drought at the field scale was calculated using Landsat-8 OLI/TIRS for the 2021 and 2022 crop growth seasons. The computed remote sensing drought indices include Vegetation Condition Index (VCI), Vegetation Health Index (VHI), and Temperature Condition Index (TCI), which are derived using the Google Earth Engine platform. Examining long-term drought by MODIS revealed that 2020 was the most dominant drought year, according to all three drought indices. However, the seasonal variations of VCI, TCI, and VHI at the field scale observed in the three fields in 2021 and 2022 demonstrated that June went through considerable drought in both years. August was the second critical month following June for drought conditions. CHIRPS data indicated significant rainfall anomalies relative to the long-term seasonal average for the 2021 crop season, specifically in June (−38.5 %) and August (−38.2 %), while the rainfall in the crop season in 2022 exceeded the seasonal average. Based on Pearson correlation analysis, VHI correlated strongly with VCI (CC = 0.87 for 2021 and 0.93 for 2022) and moderately with rainfall (CC = 0.68 for 2021 and 0.63 for 2022). The spatial autocorrelation analysis revealed substantial positive autocorrelation of drought for 2019, 2020, 2021 and 2022. However, 2020 has the highest spatial autocorrelation, with Moran's I of 0.54 and a z-score of 24.8. Hence, this study will optimize irrigation, decrease crop loss, sustain crop yields, and enhance food security. • Remote sensing-derived drought indices were used to examine agricultural drought. • VCI, TCI and VHI were combined to investigate the seasonal and long-term droughts. • Utilized Landsat 8 OLI/TIRS and MODIS datasets to compute drought indices. • CHIRPS data was utilized to evaluate rainfall deviation from the long-term average. • Based on drought indices, 2020 was characterized by significant drought conditions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».