Single‐ and Multiscale Remote Sensing Techniques, Multifractals, and MODIS‐Derived Vegetation and Soil Moisture
Notice bibliographique
Résumé
Scaling processes are increasingly understood to be the result of nonlinear dynamic mechanisms repeating scale after scale from large to small scales leading to nonclassical resolution dependencies. This means that the statistical properties systematically vary in strong, power‐law ways with the resolution. When present in geophysical and remotely sensed fields, it implies that when classical (single‐scale) remote sensing algorithms are used to determine surrogates of various geophysical fields, they can at most be correct at the unique (and subjective) calibration resolution. Scaling analysis and modeling techniques were applied to MODIS TERRA Bands 1 through 7 and to the standard derived vegetation and soil moisture indices in order to quantitatively characterize the wide range of scaling of these fields. The scaling exponents we found are not so large; however, they act across wide scale ranges and imply large effects. For example, for the statistics near the mean, the MODIS (500‐m) resolution would be biased by a factor of ∼1.52 when compared with similar results from an “ideal” sensor at 1‐mm resolution. Applying the standard index algorithms on lower and lower resolution satellite data, we obtained indices with significantly different statistical properties than if the same algorithm was used at the finest resolution and then degraded to an intermediate value (a difference of a factor ∼1.54). This shows that the algorithms can, at best, be accurate at the unique calibration scale and this points to the need to develop resolution‐independent algorithms based on the scaling exponents.
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 | 0,000 |
| 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 ».