*Corresponding author ESTABLISHING CROP PRODUCTIVITY USING RADARSAT-2
Notice bibliographique
Résumé
Crop productivity is influenced by a number of management and environmental conditions, and variations in crop growth can occur in-season due to, for example, unfavourable meteorological conditions. Consequently information on crop growth must be temporally frequent in order to adequately characterize crop productivity. Leaf Area Index (LAI) is a key indicator of crop productivity and a number of methods have been developed to derive LAI from optical satellite data. Integration of LAI estimates from synthetic aperture radar (SAR) sensors would assist in efforts to monitor crop production through the growing season, particularly during periods of persistent cloud cover. Consequently, Agriculture and Agri-Food Canada has assessed the capability of RADARSAT-2 data to estimate LAI. The results of a sensitivity analysis revealed that several SAR polarimetric variables were strongly correlated with LAI derived from optical sensors for small grain crops. As the growing season progressed, contributions from volume scattering from the crop canopies increased. This led to the sensitivity of the intensity of linear cross-polarization backscatter, entropy and the Freeman-Durden volume scattering component, to LAI. For wheat and oats, correlations above 0.8 were reported. Following this sensitivity analysis, the Water Cloud Model (WCM) was parameterized using LAI, soil moisture and SAR data. A look up table inversion approach to estimate LAI from SAR parameters, using the WCM, was subsequently developed. This inversion approach can be used to derive LAI from sensors like RADARSAT-2 to support the monitoring of crop condition throughout the cropping season.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,007 |
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 ».