인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
In rainfed and dryland agricultural areas with smallholder farms (less than 2 ha), crop diversity is high due to farmers' decisions and local climatic conditions, leading to a complex spatial–temporal distribution of crops. Monitoring and mapping crops is crucial for food security and implementing agricultural support programs. This study aims to map crop types across Senegal using Sentinel-2 satellite imagery and the limited ground reference data available, which has been increasing recently. The study compares conventional supervised classification algorithms to unsupervised classification algorithms using high-resolution satellite imagery. Crop type classification for 2020 in Senegal employed supervised machine learning algorithms, including Classification and Regression Trees (CART), Random Forest (RF), and Support Vector Machine (SVM) on the Google Earth Engine (GEE) cloud platform, and the unsupervised Iso-clustering classification algorithm with Spectral Matching Techniques (SMTs). Due to limited ground data, supervised classifiers achieved 45-55% accuracy, whereas the unsupervised semi-automatic approach achieved over 75% accuracy. The study indicates that supervised classifiers' performance depends on ground data quantity, while SMT shows good performance even with limited ground data. This SMT approach is valuable for classifying crop types in dryland areas with smallholder farms and diverse cropping patterns.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
