Terrain Matters: A Focus+Context Visualization Approach for Landform-Based Remote Sensing Analysis of Agricultural Performance
Notice bibliographique
Résumé
Understanding spatial variability is central to precision agriculture, yet terrain features are often overlooked in remote sensing workflows that inform agronomic decision-making. This work introduces a terrain-aware visual analytics approach that integrates landform classification with crop performance analysis to better support field-level decisions. Terrain features are an important contributor to yield variability, alongside environmental conditions, soil properties, and management practices. However, they are rarely integrated systematically into performance analysis and decision-making workflows—limiting the potential for terrain-aware insights in precision agriculture. Addressing this gap requires approaches that incorporate terrain attributes and landform classifications into agricultural performance analysis and management zone (MZ) delineation—ideally through visual analytics that offer interpretable insights beyond the constraints of purely data-driven methods. We introduce an interactive focus+context visualization tool that integrates multiple data layers—including terrain features, vegetation index–based performance metric, and management zones—into a unified, expressive view. The system leverages freely available remote sensing imagery and terrain data derived from Digital Elevation Models (DEMs) to evaluate crop performance and landform characteristics in support of agronomic analysis. The tool was applied to eleven agricultural fields across the Canadian Prairies under diverse environmental conditions. Fields were segmented into depressions, hilltops, and baseline areas, and crop performance was evaluated across these landform groups using the system’s interactive visualization and analytics. Depressions and hilltops consistently showed lower mean performance and higher variability (measured by coefficient of variation) compared to baseline regions, which covered an average of 82% of each field. We also subdivided baseline areas using slope and the Sediment Transport Index (STI) to investigate soil erosion effects, but field-level patterns were inconsistent and no systematic differences emerged across all sites. Expert evaluation confirmed the tool’s usability and its value for field-level decision support. Overall, the method enhances terrain-aware interpretation of remotely sensed data and contributes meaningfully to refining management zone delineation in precision agriculture.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».