Weed classification in sugarcane fields in Northeast Thailand from multi-temporal Sentinel-1 and Sentinel-2 data together with random forest algorithm
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
Timely and accurate weed detection is essential for sustainable crop production and management. The integration of multiple satellite data sources with powerful machine learning has transformed precision agriculture by enhancing the accuracy and automation of object classification, enabling large-scale analysis and real-time predictions. However, challenges remain in effectively managing agricultural practices, particularly in weed control. This study employed Sentinel-1 (S1) and Sentinel-2 (S2) satellite data, combined with vegetation indices and random forest (RF) classification algorithm, to map weed presence in sugarcane fields in Northeastern Thailand. The large number of reference data consisting of 744 points was utilized to train and validate weed identification. The combined S1 and S2 dataset significantly enhanced the detection capabilities of the best RF model, achieving an overall classification result of 96 % accuracy and F1 scores exceeding 93 %. While overall weed levels were low, several high-density zones were clearly detected, underscoring the importance of targeted weed management. The combination of S1 and S2 data improved classification performance, addressing challenges posed by mixed pixels in small fields. Stratifying weed density provided deeper insights into field variability over the large scale. Our work presents a scientifically robust and operationally scalable framework for monitoring weed infestations in sugarcane cultivation. The proposed approach demonstrates strong potential for advancing sustainable precision agriculture by facilitating timely and spatially precise interventions.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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