Comparison of data gap-filling methods for Landsat ETM+ SLC-off imagery for monitoring forest degradation in a semi-deciduous tropical forest in Mexico
Notice bibliographique
Résumé
A number of methods to overcome the 2003 failure of the Landsat 7 Enhanced Thematic Mapper (ETM+) scan-line corrector (SLC) are compared in this article in a forest-monitoring application in the Yucatan Peninsula, Mexico. The objective of this comparison is to determine the best approach to accomplish SLC-off image gap-filling for the particular landscape in this region, and thereby provide continuity in the Landsat data sensor archive for forest-monitoring purposes. Four methods were tested: (1) local linear histogram matching (LLHM); (2) neighbourhood similar pixel interpolator (NSPI); (3) geostatistical neighbourhood similar pixel interpolator (GNSPI); and (4) weighted linear regression (WLR). All methods generated reasonable SLC-off gap-filling data that were visually consistent and could be employed in subsequent digital image analysis. Overall accuracy, kappa coefficients (κ), and quantity and allocation disagreement indices were used to evaluate unsupervised Iterative Self-Organizing Data Analysis (ISODATA) land-cover classification maps. In addition, Pearson correlation coefficients (r) and root mean squares of the error (RMSEs) were employed for estimates agreement with fractional land cover. The best results visually (overall accuracy > 85%, κ < 9%, quantity disagreement index < 5.5%, and allocation disagreement index < 12.5%) and statistically (r > 0.84 and RMSE < 7%) were obtained from the GNSPI method. These results suggest that the GNSPI method is suitable for routine use in reconstructing the imagery stack of Landsat ETM+ SLC-off gap-filled data for use in forest-monitoring applications in this type of heterogeneous landscape.
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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 tête enseignante, 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 ».