Assessing hyperspectral sensor capabilities: PRISMA vs EnMAP for crop type mapping in a semi-arid region
Notice bibliographique
Résumé
Significant advancements are being made through the use of new-generation of hyperspectral sensors to enhance crop type mapping, especially in heterogeneous and fragmented agricultural landscapes. However, the availability and spatial-temporal coverage of hyperspectral satellites such as PRISMA (PRecursore IperSpettrale della Missione Applicativa) and EnMAP (Environmental Mapping and Analysis Program) can pose considerable challenges for crop type mapping. These include limitations in revisit frequency, narrow swath widths, cloud interference, and the relatively recent and still-developing global acquisition strategies, which may result in data gaps over specific agricultural regions during critical crop growth stages. This study presents a comprehensive comparison of EnMAP Level 2A (L2A) and PRISMA level 2D (L2D), acquired on the same day over a semi-arid region in Morocco. To do so, we evaluated two feature selection strategies: Stepwise Discriminant Analysis (SDA) and Recursive Feature Elimination (RFE) and benchmark the performance of four classification models, including Support Vector Machine (SVM), Random Forest (RF), CatBoost, and the transformer-based foundation model for tabular data (TabPFN). Sensor consistency was assessed using spectral correlation metrics and a vegetation index, showing strong agreement between PRISMA and EnMAP in the VNIR and SWIR-1 domains (R 2 > 0.96). Classification results demonstrated that TabPFN outperformed all other models, reaching 93 % overall accuracy with PRISMA and 90 % with EnMAP. These findings highlight the operational value of hyperspectral imaging and foundation models for accurate, scalable crop mapping in complex agricultural settings. The high level of agreement observed between PRISMA and EnMAP in this study further supports the feasibility of synergetic use of multiple hyperspectral missions. This opens the door to constructing dense, multi-sensor hyperspectral time series, which could significantly enhance temporal coverage and support continuous agricultural monitoring and crop dynamics analysis at large scales.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».