New Insights in Crop Monitoring and Management Using Remote Sensing Data
Notice bibliographique
Résumé
A Special Issue titled 'New Insights in Crop Monitoring and Management Using Remote Sensing Data' was launched in November 2022. It invited scientific contributions focused on the quantitative assessment of crop growth, management, and yield using innovative and integrated remote sensing techniques. To date, it has published 11 peer-reviewed research articles covering topics such as crop growth trajectory reconstruction, the retrieval of biophysical traits of leaves and crop canopies, crop aboveground biomass and yield prediction, and field irrigation amount estimation. The contributors come from research institutes and universities distributed in Russia, Canada, Brazil, Turkey, Germany, and the USA. Scholars from Xinjiang University proposed new algorithms to reconstruct Landsat EVI time series of crop growth seasons that are strongly polluted by clouds. Dr. Konstantin Muzalevskiy effectively estimated wheat height and aboveground biomass jointly using the MHz- and GHz-frequency band impulses when employing contactless ground penetration radar (GPR). A paper published in May of 2024 explored the use of VIS-NIR-SWIR hyperspectral and chlorophyll a fluorescence sensors to predict leaf structures and compounds and has received nine citations. An article estimating the aboveground biomass of winter wheat using a three-dimensional conceptual model with the help of UAV remote sensing images has 20 citations. This issue has garnered significant attention from agronomists, ecologists, and remote sensing scientists, as evidenced by its 30,569 web views.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,004 |
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 ».