Reconstructing Seasonal Variation of Landsat Vegetation Index Related to Leaf Area Index by Fusing with MODIS Data
Notice bibliographique
Résumé
In the development of an empirical relationship between the leaf area index (LAI) and the vegetation index (VI), the infrequency of the medium resolution VI often makes it difficult, sometimes impossible, to find VI observations acquired close to the LAI measurement date. To overcome this dilemma, this paper presents a method, named reduced simple ratio (RSR), to reconstruct seasonal time series of a VI at the Landsat resolution. Each RSR time series is represented by a double logistic (D-L) curve with seven unknown parameters. The methodology solves these parameters using a multi-objective optimization method by blending frequent MODIS observations with Landsat observations acquired at a few dates (usually fewer than seven) in a year. We tested the reconstructing approach in a boreal forest in Canada and a cropland area in Australia. The reconstructed Landsat RSR compared well with the observed RSR even when only two Landsat images were used for reconstruction, and better accuracy was achieved when more Landsat images were used. Ground LAI measurements were taken at a date not coincident with any of the Landsat dates in the Canada study area. Results of LAI retrieval showed that the measured LAI had a higher correlation with the reconstructed RSR at the measurement date than with the observed Landsat RSR at the three acquisition dates.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».