Time-Series Analysis of Medium-Resolution, Multisensor Satellite Data for Identifying Landscape Change
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
The overall goal of this study is to use medium-resolution satellite imagery to determine recent changes in the landscape of the coastal zone near Sanya in the Province of Hainan, China. A search for suitable satellite imagery revealed that the only way to identify the changes was to use data from three different sensors acquired over a 12-year time period: a 1987 Landsat 5 Thematic Mapper (TM) image, a 1999 Landsat 7 Enhanced Thematic Mapper Plus (ETM� ) image, and two SPOT 2 High Resolution Visible (HRV) images acquired in 1991 and 1997. Given that the Landsat and SPOT images have different spatial resolutions and that the spectral bands cover somewhat different spectral ranges, the challenge was how to combine the images in digital format to be able to detect subtle changes in the landscape. Measures of brightness, greenness, and the normalized difference vegetation index (NDVI) were explored using standardized principal components analysis (PCA). Approximately 38 percent of the scene was occupied by water, so tests were performed with the water included and also with the water masked out to remove these low-variance pixels. Factor loadings and input-band contributions were used to interpret component images. Results show that PCA of the visible bands, representing brightness, is the superior approach for identifying new urban features in the landscape. For identification of changes to vegetation, the near-infrared (NIR) bands outperformed NDVI. Selected standardized PCA images with visible and NIR bands are recommended for identifying general changes to an urban landscape using a time-series of imagery acquired by different satellite sensors. Benefits of using a mask are believed to be dependent upon study-site characteristics.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| 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