Deep Learning-Based Spatiotemporal Fusion Approach for Producing High-Resolution NDVI Time-Series Datasets
Notice bibliographique
Résumé
The availability of concurrently high spatiotemporal resolution remote sensing data is highly desirable as they represent a key element for effective monitoring in various environmental applications. However, due to the tradeoff between the spatial resolution and acquisition frequency of current satellites, such data are still lacking. Many studies have been undertaken trying to overcome these problems; however, a couple of long-standing limitations remain, including accommodating abrupt temporal changes, dealing with complex and heterogeneous landscapes, and integrating other satellite datasets as well. Accordingly, this paper proposes a deep learning spatiotemporal data fusion approach based on Very Deep Super-Resolution (VDSR) to fuse the NDVI retrievals from Sentinel-2 and Landsat 8 images. The performances of VDSR are analyzed in comparison with those of two other classical methods, the enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM) and the flexible spatiotemporal data fusion (FSDAF) method. The results obtained indicate that VDSR outperforms other data fusion algorithms as it generated the least blurred images and the most accurate predictions of synthetic NDVI values, particularly in areas with heterogeneous landscapes and abrupt land-cover changes. The proposed algorithm has broad prospects to improve near-real-time agricultural monitoring purposes and derivation of crop status conditions in the field-scale.
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 | 0,001 | 0,001 |
| 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 ».