A Method to Derive Tidal Flat Topography in Nantong, China Using MODIS Data and Tidal Levels
Notice bibliographique
Résumé
Multispectral remote sensing data have proven to be useful in deriving tidal flat topography. However, limited satellite observations over a certain period have large uncertainties. In this study, we used MODIS time-series data with a high observational frequency to generate accurate tidal flat topography in Nantong, China based on the relationship between the T_Tide-derived tidal levels and the MODIS-derived inundation frequency map. First, 8-day MOD09Q1 data from 2007 to 2008 were used to perform the land-water classification. Second, 92 land-water maps were stacked to generate the inundation frequency map of the tidal flat. Then, the T_Tide package was applied to calculate the tidal levels at Lvsi Tide Gauge Station. Finally, the inundation frequency map and the tidal levels were integrated to derive the tidal flat topography, which agreed well with the in-situ elevation data (RMSE = 0.40 m, r = 0.89) and the Landsat-based elevation data (RMSE = 0.18 m, r = 0.98). In addition, the derived slopes agreed well with the slopes from the in-situ elevation data (RMSE = 1.00‰, r = 0.85). We highlighted the necessity of using all MODIS data for deriving an accurate tidal flat topography. Our proposed method has a potential to derive tidal flat topography and temporal changes over the past 20 years from MODIS data.
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 | 0,000 |
| 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 ».