Long-term monitoring of surface reflectance, NDVI, and clouds from space: What contribution can we expect due to the effect of instrument spectral response variations?
Notice bibliographique
Résumé
Since the satellites provide frequent and global observations of atmospheric and terrestrial environment, attempts have been made to use satellite data for long-term monitoring of land reflectances, vegetation indices and clouds properties. Although the construction and characteristics of spaceborne instruments may be quite similar, they are not identical among all missions, even for the same type of instrument like AVHRR. Consequently, the effect of varying spectral response may create an artificial noise imposed upon a subtle natural variability. We report the results of a study on the sensitivity of Normalized Difference Vegetation Index (NDVI), surface and cloud reflectance to differences in instrument spectral response functions (SRF) for various satellite sensors. They include AVHRR radiometers onboard NOAA satellites NOAA-6 - NOAA-16, the Moderate Resolution Imaging Spectroradiometer (MODIS), the VEGETATION sensor (VGT) and the Global Imager (GLI). We also analyzed the SRF effects for several geostationary satellites used for cloud studies, such as GOES-8- 12, METEOSAT-2- 7, GMS -1 -5. The results obtained here demonstrate that the effect of instrument spectral response function cannot be ignored in long-term monitoring studies that employ space observations from different sensors. The SRF effect introduces differences in observed reflectances and retrieved quantities that may be comparable or exceed the range of natural variability and possible systematic trends, the contribution from the calibration, atmospheric and other corrections. Some modeling results were validated against real satellite observations with good agreement.
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) | 0,001 | 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 ».