Weed classification in sugarcane fields in Northeast Thailand from multi-temporal Sentinel-1 and Sentinel-2 data together with random forest algorithm
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.
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 | 0,000 |
| 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 | 0,000 | 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 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 ».