Accuracy Evaluation and Parameter Analysis of Land Surface Temperature Inversion Algorithm for Landsat-8 Data
Notice bibliographique
Résumé
Many researchers have developed a variety of land surface temperature (LST) inversion algorithms based on satellite data. The main LST inversion algorithms include Radiative Transfer Equation (RTE), Single Channel (SC) algorithm, Mono Window (MW) algorithm, and Split Window (SW) algorithm. In this study, nine LST inversion algorithms were designed using Landsat-8 data and meteorological station data to test the inversion efficiency of different algorithms in different seasons and different locations. The results show that the error of various LST inversion algorithms will increase with the rise of LST. R2 of the inversion results of each LST algorithm and the measured data are all greater than 0.73°C in winter and about 0.5°C in the other seasons. By analyzing the stability of various algorithms inside and outside the city, it is found that the stability of each LST inversion algorithm inside the city is better than that outside the city. For the same surface features, the inversion temperature inside the city is 3–5°C higher than that outside the city. In addition, the sensitivity of various inversion algorithms to parameters was also analyzed. The influence of atmospheric transmittance on RTE, SC, and MW inversion algorithms is in logarithmic form. The effect of emissivity on each algorithm is linear. The influence of NDVI on the algorithms is mainly through the estimation of surface emissivity parameters to affect the inversion results. The effect of ascending radiation on SC (LST4 and LST5) is linear and on RTE (LST1 and LST2) is logarithmic. The effect of downslope radiation on SC and RTE is linear. The influence of atmospheric water vapor content on SW (LST7) is nonlinear.
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 ».