ISPRS Workshop on Updating Geo-spatial Databases with Imagery & The 5th ISPRS Workshop on DMGISs FUSION OF MODIS AND RADARSAT DATA FOR CROP TYPE CLASSIFICATION — AN INITIAL STUDY
Notice bibliographique
Résumé
Agricultural land use mapping and change detection are important for environmental assessment and crop yield estimation. An effective mapping and change detection of crop land use requires large image coverage with sufficient resolutions in spatial, spectral and temporal dimensions. But few earth observation sensors can solely collect image data that meet all these requirements. The MODIS (Moderate Resolution Imaging Spectroradiometer) satellite images provided by NASA are an optimal data source for collecting high resolution spectral and temporal information of the earth’s surface, because of its large coverage (2300 km ground swath), sufficient spectral bands (7 bands between visible and mid infrared at the spatial resolution of 250 to 500 m; and 28 bands between visible and thermal infrared at the spatial resolution of 1000 m), daily revisit rate, and low cost (free of charge). But its spatial resolutions (250 m, 500 m and 1000 m) are too coarse to delineate the crop field boundaries. On the other hand, the Radarsat images provided by the Canadian Space Agency are a good data source for obtaining high resolution spatial information (from 3 m to 100 m depending on the beam mode used) at very frequent repeat rate, because of its all-whether and day-night collection capability, low cost, and large coverage (from 50km×50km to 500km×500km depending on the beam mode). However, Radarsat images, like other radar images, are noisy and have limited spectral information. Even though field boundaries are recognizable in many beam modes, it is not effective to differentiate crop types just using a single radar image. To find a cost-effective solution for frequent, large coverage crop land use mapping, this paper presents an initial study on combination of low spatial resolution MODIS mulitspectral images and high spatial resolution Radarsat amplitude images for crop
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 | 0,020 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,014 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,028 |
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 ».