Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Aggregates Classification01:29

Aggregates Classification

380
Aggregate classification is generally based on its size, petrographic characteristics, weight, and source. Size classification ranges from coarse to fine aggregates, defined by the size of the particles. Coarse aggregates are particles that do not pass through ASTM sieve No. 4, and aggregates that pass through the sieve are fine aggregates.
Petrographic classification groups aggregates based on common mineralogical characteristics. Some of the common mineral groups found in aggregates are...
380
Classification of Signals01:30

Classification of Signals

878
In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
878
Classification of Systems-I01:26

Classification of Systems-I

294
Linearity is a system property characterized by a direct input-output relationship, combining homogeneity and additivity.
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
294
Classification of Systems-II01:31

Classification of Systems-II

240
Continuous-time systems have continuous input and output signals, with time measured continuously. These systems are generally defined by differential or algebraic equations. For instance, in an RC circuit, the relationship between input and output voltage is expressed through a differential equation derived from Ohm's law and the capacitor relation,
240
Methods of Classification and Identification01:28

Methods of Classification and Identification

183
Bacterial identification relies on a diverse array of techniques to classify and understand microorganisms, each tailored to uncover specific characteristics. Traditional morphological approaches, while still valuable, are limited for closely related or structurally simple organisms. Modern methods integrate biochemical, serological, genetic, and advanced molecular tools to achieve greater accuracy.Morphological and Biochemical TechniquesMorphological characteristics, such as cell shape and...
183
Force Classification01:22

Force Classification

1.6K
Forces play a crucial role in the study of physics and engineering. They are essential in describing the motion, behavior, and equilibrium of objects in the physical world. Forces can be classified based on their origin, type, and direction of action.
Contact and non-contact forces are two of the most widely used categories of forces. As the name suggests, contact forces require physical contact between two objects to act upon each other. Examples of contact forces include frictional,...
1.6K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Proximal policy optimization integrated with Bayesian optimization for stand structure optimization in <i>Pinus yunnanensis</i> secondary forests.

Frontiers in plant science·2026
Same author

Gold Nanoplatforms for Phenotypic Reprogramming and Closed-Loop Theranostics of Cancer Stem Cells.

International journal of nanomedicine·2026
Same author

Development and validation of a motivation scale for health behavior change in patients with coronary heart disease: a cross-sectional study.

BMC psychology·2026
Same author

Efficacy of transcranial direct current stimulation for post-stroke urinary incontinence: study protocol for a randomized controlled trial.

Trials·2026
Same author

Targeted DNA triplex-forming oligonucleotide liposome for pulmonary fibrosis gene therapy.

Cell reports. Medicine·2026
Same author

Multi-omics profiling reveals systemic rejuvenation of the aged kidney through senolytic therapy.

NPJ Regenerative medicine·2026

Video Experimental Relacionado

Updated: Sep 9, 2025

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

1.6K

Investigación sobre la clasificación de cultivos mediante U-Net integrado con funciones temporales de teledetección

Zhihui Zhu1,2, Yuling Chen2, Chengzhuo Lu3

  • 1Department of Earth Science and Technology, City College, Kunming University of Science and Technology, Kunming 650093, China.

Sensors (Basel, Switzerland)
|August 28, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio introduce un nuevo método para la clasificación de los cultivos mediante la fusión de datos de teledetección óptica y de radar. El enfoque multimodal mejora significativamente la precisión en la identificación de tipos de cultivos como el maíz y la soja.

Palabras clave:
Sentinel-1 es el primero.Sentinel-2 también.U-Net (en inglés)Clasificación de los cultivosTeledetección multimodalel bosque aleatorioFusión de las características temporales

Más Videos Relacionados

Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
07:13

Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy

Published on: February 25, 2021

3.9K
RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
11:37

RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols

Published on: August 8, 2017

16.3K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

1.6K
Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
07:13

Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy

Published on: February 25, 2021

3.9K
RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
11:37

RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols

Published on: August 8, 2017

16.3K

Área de la Ciencia:

  • La teledetección agrícola
  • Análisis geoespacial
  • Aprendizaje automático para la agricultura

Sus antecedentes:

  • La clasificación precisa de los cultivos es crucial para la seguridad alimentaria y la gestión agrícola eficiente.
  • Los métodos convencionales a menudo utilizan una sola fuente de datos, lo que limita la precisión temporal y espacial.
  • La integración de datos ópticos y de radar ofrece información complementaria para mejorar la clasificación.

Objetivo del estudio:

  • Desarrollar y evaluar un método de fusión a nivel de características para la clasificación de cultivos utilizando datos de teledetección multimodal.
  • Para superar las limitaciones de los enfoques de un solo sensor mediante la combinación de imágenes ópticas y SAR.
  • Mejorar la precisión y la coherencia de la clasificación de los cultivos de maíz y soja.

Principales métodos:

  • Extracción de características de las imágenes ópticas y de radar de Sentinel-2.
  • Identificación de las combinaciones óptimas de características (NDVI+NDRE, VV+VH) utilizando el bosque aleatorio.
  • Fusión de 16 escenas ópticas y 30 de radar en una imagen de 46 canales.
  • Clasificación de cultivos utilizando una red neuronal profunda U-Net, en comparación con los resultados de un solo modo.

Principales resultados:

  • El modelo de fusión multimodal logró altas precisiones de clasificación: 95,83% (entrenamiento), 91,99% (validación) y 90,81% (prueba).
  • El modelo de fusión demostró un rendimiento superior a los enfoques monomodales en precisión, delimitación de límites y consistencia.
  • Se observaron mejoras significativas en las métricas de puntuación F1, precisión y recuerdo.

Conclusiones:

  • La fusión a nivel de características de los datos de teledetección óptica y de radar proporciona un método sólido para una clasificación precisa de los cultivos.
  • El modelo de fusión basado en U-Net propuesto integra efectivamente los datos multimodales, superando los métodos tradicionales.
  • Este enfoque mejora las capacidades de seguimiento agrícola, contribuyendo a una mejor gestión de los recursos y a la seguridad alimentaria.