Comparison of surface reflectance derived by relative radiometric normalization versus atmospheric correction for generating large-scale Landsat mosaics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Generating large-scale Landsat mosaics of surface reflectance is challenging because of the tediousness arising from atmospheric correction for a large number of scenes. To find out an alternative approach, we conducted an empirical investigation to compare the surface reflectance derived by relative radiometric normalization versus atmospheric correction using four pairs of adjoining Landsat Thematic Mapper/Enhanced Thematic Mapper Plus scenes in northern Canada. Each image was first atmospherically corrected to convert top-of-atmosphere radiance to surface reflectance. One of the converted images in each pair was then respectively used as a reference to radiometrically normalize the other original one for deriving surface reflectance. Comparison of the surface reflectance derived by these two different approaches indicates that they can match reasonably well for different landscapes, atmospheric conditions, and sensors, and the difference measured by root mean square error is no more than 0.0098 for the visible band (Band 3), 0.0271 for the near-infrared band (Band 4), and 0.022 for the middle-infrared band (Band 5). Given such a small difference, we would expect that relative radiometric normalization may be used as an alternative approach for reliable and fast retrieval of surface reflectance from Landsat data for generating mosaics of surface reflectance over large areas, overcoming the tediousness arising from atmospheric correction for a large number of scenes.
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.
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 découle