Pan-Sharpening of Landsat-8 Images and Its Application in Calculating Vegetation Greenness and Canopy Water Contents
Notice bibliographique
Résumé
Pan-sharpening is the process of fusing higher spatial resolution panchromatic (PAN) with lower spatial resolution multispectral (MS) imagery to create higher spatial resolution MS images. Here, our overall objective was to pan-sharpen Landsat-8 images and calculate vegetation greenness (i.e., normalized difference vegetation index (NDVI)), canopy structure (i.e., enhanced vegetation index (EVI)), and canopy water content (i.e., normalized difference water index (NDWI))-related variables. Our proposed methods consisted of: (i) evaluating the relationships between PAN band (0.503–0.676 µm) with a spatial resolution of 15 m and individual MS bands of Landsat-8 from blue (i.e., acquiring in the range 0.452–0.512 µm), green (i.e., 0.533–0.590 µm), red (i.e., 0.636–0.673 µm), near infrared (NIR: 0.851–0.879 µm), shortwave infrared-I (SWIR-I: 1.566–1.651 µm), and SWIR-II (2.107–2.294 µm) bands with a spatial resolution of 30 m; (ii) determining the suitable individual MS bands to be enhanced into the spatial resolution of the PAN band; and (iii) calculating several vegetation greenness and canopy moisture indices (i.e., NDVI, EVI, NDWI-I, and NDWI-II) at 15 m spatial resolution and subsequent validation using their equivalent-values at a spatial resolution of 30 m. Our analysis revealed that strong linear relationships existed between the PAN and most of the MS individual bands of interest except NIR. For example, r2 values were 0.86–0.89 for blue band; 0.89–0.95 for green band; 0.84–0.96 for red band; 0.71–0.79 for SWIR-I band; and 0.71–0.83 for SWIR-II band. As a result, we performed smoothing filter-based intensity modulation method of pan-sharpening to enhance the spatial resolution of 30 m to 15 m. In calculating the vegetation indices, we used the enhanced MS images and resampled the NIR to 15 m. Finally, we evaluated these indices with their equivalents at 30 m spatial resolution and observed strong relationships (i.e., r2 values in the range 0.98–0.99 for NDVI, 0.95–0.98 for EVI, 0.98–1.00 for NDWI).
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».