Application of Open Source Coding Technologies in the Production of Land Surface Temperature (LST) Maps from Landsat: A PyQGIS Plugin
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
This paper presents a Python QGIS (PyQGIS) plugin, which has been developed for the purpose of producing Land Surface Temperature (LST) maps from Landsat 5 TM, Landsat 7 ETM+ and Landsat 8 TIRS, Thermal Infrared (TIR) imagery. The plugin has been developed purposely to ease the process of LST extraction from Landsat Visible, Near Infrared (VNIR) and TIR imagery. It has the ability to estimate Land Surface Emissivity (LSE), calculating at-sensor radiance, calculating brightness temperature and performing correction of brightness temperature against atmospheric interference though the Plank function, Mono Window Algorithm (MWA), Single Channel Algorithm (SCA) and the Radiative Transfer Equation (RTE). Using the plugin, LST maps of Moncton, New Brunswick, Canada have been produced for Landsat 5 TM, Landsat 7 ETM+ and Landsat 8 TIRS. The study put much more emphasis on the examination of LST derived from the different algorithms of LST extraction from VNIR and TIR satellite imagery. In this study, the best LST values derived from Landsat 5 TM were obtained from the RTE and the Planck function with RMSE of 2.64 °C and 1.58 °C, respectively. While the RTE and the Planck function produced the best results for Landsat 7 ETM+ with RMSE of 3.75 °C and 3.58 °C respectively and for Landsat 8 TIRS LST retrieval, the best results were obtained from the Planck function and the SCA with RMSE of 2.07 °C and 3.06 °C, respectively.
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 | 0,000 |
| 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 découle