Comparing Remote Sensing Methods for Monitoring Karst Rocky Desertification at Sub-pixel Scales in a Highly Heterogeneous Karst Region
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
Rugged karst terrain relief that creates shadows in satellite imagery, combined with high karst landscape heterogeneity stand in the way of fractional cover retrieval on karst rocky desertification (KRD) monitoring. In this study, we explored the feasibility of applying multispectral high spatial resolution Advanced Land Observing Satellite (ALOS) imagery for the fractional cover extraction of rocky outcrops. Dimidiate pixel model (DPM) and spectral mixture analysis (SMA) approaches (including simple endmember spectral mixture analysis and multiple endmember spectral mixture analysis) were selected to explore their feasibility for KRD monitoring through accuracy improvement for fraction estimation. Results showed fractional cover retrievals at the sub-pixel scale is essential in highly heterogeneous karst landscapes. Indeed, mixed pixels accounted for 93.7% of the study area in southwest China. Multiple endmember spectral mixture analysis achieved high overall accuracy (80.5%) in monitoring the percentage of rocky outcrop land cover. Furthermore, the predicted exposed bedrock coverage via spectral mixture analysis were similar in sunlit and shadow areas for the same surface types. This reflected that SMA methods could effectively reduce topographic effects of satellite imagery to improve the accuracy of fractional cover extraction at sub-pixel level in heterogeneous and rugged landscapes.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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