Normalized Difference Vegetation Index Continuity of the Landsat 4-5 MSS and TM: Investigations Based on Simulation
Notice bibliographique
Résumé
Landsat 4-5, built at the same time and with the same design, carrying the Multispectral Scanner System (MSS) and the Thematic Mapper (TM) simultaneously, jointly provided observation service for about 30 years (1982–2013). Considering the importance of data continuity for time series analyses, investigations on the continuity of the Landsat 4-5 MSS and TM are required. In this paper, characterization differences between the Landsat 4-5 MSS and TM were initially discussed using the synthesized reflectance records generated from a collection of Hyperion hyperspectral profiles which were well calibrated and widely distributed. The difference in near-infrared region mostly contributed to the difference in normalized difference vegetation index (NDVI) between MSS and TM, while the between-sensor difference in red spectrum was relatively minor. Models for transforming MSS NDVI to TM NDVI were proposed, and validated subsequently through cross-validation tests. Furthermore, effectiveness of the transformation models was investigated using eight synchronous observation pairs of the Landsat 5 MSS and TM. On average, the univariate models through ordinary least squares regression (OLS) regression resulted in a decrease about 10% of the median relative difference (MdRD). Meanwhile, the bivariate models improved the NDVI comparability in most cases, especially when the transformation models through ridge regression were implemented. The univariate model through OLS regression could be the only solution for cases when problems of data quality are encountered (e.g., problem in the MSS near-infrared channel (800–1000 nm)). In conclusion, the findings on NDVI transformation models from MSS to TM are valuable for reference, because of the collection of diverse Hyperion hyperspectral profiles used.
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 ».