Remote sensing-based rice mapping in Brazil: Identifying the best approach for segmenting different spectral compositions using deep learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study explored the mapping of irrigated rice fields using remote sensing data and deep learning techniques, focus- ing on the evaluation of various spectral band combinations and polarizations from Sentinel-1 and Sentinel-2 satellites. Three deep learning models, called UNET, FAPNET, and PLANET, were implemented to perform segmentation of rice fields within a region located in southern Brazil. Specifically, the FAPNET model outperformed others when using vegetation-related spectral bands (NIR, RED), while the PLANET model demonstrated greater efficacy with water-related bands (SWIR, VH, VV). However, PLANET struggled with multi-band configurations, and its slower convergence indicated the need for refined training strategies. The integration of optical and SAR data did not lead to significant performance improvements for these models, suggesting that their architectures are limited in processing more than three input channels. In contrast, the UNET model exhibited greater robustness when handling diverse data combinations, achieving balanced performance even with the integration of optical and SAR data. This suggests that while FAPNET and PLANET specialize in extracting features from specific spectral bands, UNET is more adaptable to multi-source inputs. These findings highlight the role of thoughtful model and data choice, illustrating that special- ized structures perform well with particular data setups, whereas more generalized models are superior at synthesizing various data sources. Future research should focus on enhancing PLANET’s multi-band capabilities and improving FAPNET’s sensitivity to SWIR, advancing segmentation precision across a broader range of spectral profiles. This study contributes to the field of crop mapping through remote sensing by providing evidence that indiscriminate data fusion is not always the optimal approach, advocating for model and spectral band choices tailored to the specific application requirements.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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 découle