Spectral Response Function Comparability Among 21 Satellite Sensors for Vegetation Monitoring
Notice bibliographique
Résumé
Global and regional vegetation assessment strategies often rely on the combined use of multisensor satellite data. Variations in spectral response function (SRF) which characterizes the sensitivity of each spectral band have been recognized as one of the most important sources of uncertainty for the use of multisensor data. This paper presents the SRF differences among 21 Earth observation satellite sensors and their cross-sensor corrections for red, near infrared (NIR), and shortwave infrared (SWIR) reflectances, and normalized difference vegetation index (NDVI) aimed at global vegetation monitoring. The training data set to derive the SRF cross-sensor correction coefficients were generated from the state-of-the-art radiative transfer models. The results indicate that reflectances and NDVI from different satellite sensors cannot be regarded as directly equivalent. Our approach includes a polynomial regression and spectral curve information generated from a training data set representing a wide dynamics of vegetation distributions to minimize land cover specific SRF cross-sensor correction coefficient variations. The absolute mean SRF caused differences were reduced from 33.9% (20.1%) to 9.4 % (6%) for red, from 3.2 % (8.9%) to 1% (1.1% ) for NIR, from 2.9% (3.6 %) to 1.9% (1.6%) for SWIR, and from 7.1 % (9%) to 1.8% (1.7% ) for NDVI, after applying the SRF cross-sensor correction coefficients on independent top of canopy (top of atmosphere) data for all-embraced-sensor comparisons. Variations in processing strategies, non spectral differences, and algorithm preferences among sensor systems and data streams hinder cross-sensor spectra and NDVI comparability and continuity. The SRF cross-sensor correction approach provided here, however, can be used for studies aiming at large-scale vegetation monitoring with acceptable accuracy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».