Change Detection within Remotely Sensed Satellite Image Time Series via Spectral Analysis
Notice bibliographique
Résumé
Jump or break detection within a non-stationary time series is a crucial and challenging problem in a broad range of applications including environmental monitoring. Remotely sensed time series are not only non-stationary and unequally spaced (irregularly sampled) but also noisy due to atmospheric effects, such as clouds, haze, and smoke. To address this challenge, a robust method of jump detection is proposed based on the Anti-Leakage Least-Squares Spectral Analysis (ALLSSA) along with an appropriate temporal segmentation. This method, namely, Jumps Upon Spectrum and Trend (JUST), can simultaneously search for trends and statistically significant spectral components of each time series segment to identify the potential jumps by considering appropriate weights associated with the time series. JUST is successfully applied to simulated vegetation time series with varying jump location and magnitude, the number of observations, seasonal component, and noises. Using a collection of simulated and real-world vegetation time series in southeastern Australia, it is shown that JUST performs better than Breaks For Additive Seasonal and Trend (BFAST) in identifying jumps within the trend component of time series with various types. Furthermore, JUST is applied to Landsat 8 composites for a forested region in California, U.S., to show its potential in characterizing spatial and temporal changes in a forested landscape. Therefore, JUST is recommended as a robust and alternative change detection method which can consider the observational uncertainties and does not require any interpolations and/or gap fillings.
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 | 0,002 |
| 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 | 0,002 |
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 ».