Analyzing Performances of Different Atmospheric Correction Techniques for Landsat 8: Application for Coastal Remote Sensing
Notice bibliographique
Résumé
Ocean colour (OC) remote sensing is important for monitoring marine ecosystems. However, inverting the OC signal from the top-of-atmosphere (TOA) radiance measured by satellite sensors remains a challenge as the retrieval accuracy is highly dependent on the performance of the atmospheric correction as well as sensor calibration. In this study, the performances of four atmospheric correction (AC) algorithms, the Atmospheric and Radiometric Correction of Satellite Imagery (ARCSI), Atmospheric Correction for OLI ‘lite’ (ACOLITE), Landsat 8 Surface Reflectance (LSR) Climate Data Record (Landsat CDR), herein referred to as LaSRC (Landsat 8 Surface Reflectance Code), and the Sea-Viewing Wide Field-of-View Sensor (SeaWiFS) Data Analysis System (SeaDAS), implemented for Landsat 8 Operational Land Imager (OLI) data, were evaluated. The OLI-derived remote sensing reflectance (Rrs) products (also known as Level-2 products) were tested against near-simultaneous in-situ data acquired from the OC component of the Aerosol Robotic Network (AERONET-OC). Analyses of the match-ups revealed that generic atmospheric correction methods (i.e., ARCSI and LaSRC), which perform reasonably well over land, provide inaccurate Level-2 products over coastal waters, in particular, in the blue bands. Between water-specific AC methods (i.e., SeaDAS and ACOLITE), SeaDAS was found to perform better over complex waters with root-mean-square error (RMSE) varying from 0.0013 to 0.0005 sr−1 for the 443 and 655 nm channels, respectively. An assessment of the effects of dominant environmental variables revealed AC retrieval errors were influenced by the solar zenith angle and wind speed for ACOLITE and SeaDAS in the 443 and 482 nm channels. Recognizing that the AERONET-OC sites are not representative of inland waters, extensive research and analyses are required to further evaluate the performance of various AC methods for high-resolution imagers like Landsat 8 and Sentinel-2 under a broad range of aquatic/atmospheric conditions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».