Comparing of Landsat 8 and Sentinel 2A using Water Extraction Indexes over Volta River
Notice bibliographique
Résumé
Remote sensing data are most often used in water bodies’ extraction studies and the type of remote sensing data used also play a crucial role on the accuracy of the extracted water features. The performance of the proposed water indexes among the various satellite images is not well documented in literature. The proposed water indexes were initially developed with a particular type of data and with advancement and introduction of new satellite images especially Landsat 8 and Sentinel, therefore the need to test the level of performance of these water indexes as new image datasets emerged. Landsat 8 and Sentinel 2A image of part Volta River was used. The water indexes were performed and then ISODATA unsupervised classification was done. The overall accuracy and kappa coefficient values range from 98.0% to 99.8% and 0.94 to 0.98 respectively. Most of water bodies enhancement indexes work better on Sentinel 2A than on Landsat 8. Among the Landsat based water bodies enhancement ISODATA unsupervised classification, the modified normalized water difference index (MNDWI) and normalized water difference index (NDWI) were the best classifier while for Sentinel 2A, the MNDWI and the automatic water extraction index (AWEI_nsh) were the optimal classifier. The least performed classifier for both Landsat 8 and Sentinel 2A was the automatic water extraction index (AWEI_sh). The modified normalized water difference index (MNDWI) has proved to be the universal water bodies enhancement index because of its performance on both the Landsat 8 and Sentinel 2A image.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».