Fusing MODIS and AVHRR products to generate a global 1-km continuous NDVI time series covering four decades
Notice bibliographique
Résumé
Abstract. Satellite normalized difference vegetation index (NDVI) time-series data are an essential data source for numerous ecological and environmental applications. Although various long-term global NDVI products have been produced with different characteristics over the past decades, there is still an apparent trade-off between the spatiotemporal resolution and time coverage. The Advanced Very High-Resolution Radiometer (AVHRR) instrument can provide the only continuous time series with the longest time coverage since the early 1980s, but with the drawback of a coarse spatial resolution and poor data quality compared to the observations of later instruments. To address this issue, a spatio-temporal fusion-based long-term NDVI product (STFLNDVI) since 1982 was generated in this study, with a 1-km spatial resolution and a monthly temporal resolution. A multi-step processing fusion framework was employed to combine the superior characteristics of Moderate Resolution Imaging Spectroradiometer (MODIS) and AVHRR products, respectively. Simulated and real-data assessments both confirm the ideal accuracy of the fusion result with regard to the spatial distribution and temporal variation. Only a few relatively unsatisfactory results are found due to the poor relationship between the original AVHRR and MODIS data. The evaluations also show that the proposed fusion framework can obtain stable results similar to MODIS data in different years and seasons, even when the temporal distance between the fusion data and the reference data is large. We believe that the STFLNDVI product will be of great significance to characterize the spatial patterns and long-term variations of global vegetation. The NDVI product is available at DOI: http://doi.org/10.5281/zenodo.4734593 (Guan et al., 2021).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».