Radiometric Normalization of Multi-temporal High Resolution Satellite Images with Quality Control for Land Cover Change Detection
Notice bibliographique
Résumé
The radiometric normalization of multitemporal satellite optical images of the same terrain is often necessary for land cover change detection, e.g., relative differences. In previous studies, ground reference data or pseudo-invariant features (PIFs) were used in the radiometric rectification of multitemporal images. Ground reference data are costly and difficult to acquire for most satellite remotely sensed images and the selection of PIFs is generally subjective. In addition, previous research has been focused on radiometric normalization of two images acquired on different dates. The problem of conservation of radiometric resolution in the case of radiometric normalization between more than two images has not been addressed. This article reports on a new procedure for radiometric normalization between multitemporal images of the same area. The selection of PIFs is done statistically. With quality control, principal component analysis (PCA) is used to find linear relationships between multitemporal images of the same area. The satellite images are normalized radiometrically to a common scale tied to the reference radiometric levels. The procedure ensures the conservation of radiometric resolution for the multitemporal images involved. The new procedure is applied to three Landsat-5 Thematic Mapper (TM) images from three different years (August 1986, 1987, and 1991) and of the same area. Quality control measures show that the error in radiometric consistency between the multitemporal images is reduced effectively. The Normalized Difference Vegetation Index (NDVI) is calculated using the radiometrically normalized multitemporal imagery and assessed in the context of land cover change analysis.
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 | 0,001 |
| 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 ».