Applications of remote sensing for crop residue cover mapping
Notice bibliographique
Résumé
• Crop residue is critical for soil and crop health, and it is valuable to monitor • Many previous studies used remote sensing to quantify crop residue cover (CRC) • This literature review emphasizes remote sensing platforms, sensors, and analytical methods estimation • Recent advancements in these techniques can further support residue management Crop residue is critical for the health of soils and crops as it can maintain soil moisture, reduce soil erosion, support soil nutrient cycling, and increase soil carbon sequestration. Monitoring crop residue cover (CRC) is thus essential for understanding the distribution and amount of crop residues in the field and for developing corresponding management strategies. Remote sensing is a powerful geospatial technique that enables the collection of images covering large areas repeatedly, which can contribute greatly to CRC mapping. This paper reviews the use of remote sensing in estimating CRC, focusing on different remote sensing platforms (e.g., satellites and drones), sensors (e.g., multispectral, hyperspectral, non-optical) and analytical methods (e.g., spectral unmixing, image classification). A total of 101 studies were selected based on their relevance to the scope of this review. The review found that while remote sensing technologies have shown great potential in accurately monitoring CRC, challenges remain in data integration, sensor selection, and computational demands, pointing to the need for ongoing research to optimize crop residue monitoring. This review is expected to bring more insights to agricultural researchers and practitioners and promote developing effective techniques for CRC mapping and management.
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 | 0,000 |
| 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 ».