DEEP LEARNING-BASED METHOD TO EXTEND THE TIME SERIES OF GLOBAL ANNUAL VIIRS-LIKE NIGHTTIME LIGHT DATA
Notice bibliographique
Résumé
Abstract. The nighttime light (NTL) remote sensed imagery has been applied in monitoring human activities from many perspectives. As the two most widely used NTL satellites, the Defense Meteorological Satellite Program (DMSP) Operational Linescan System and the Suomi National Polar-orbiting Partnership (NPP)-Visible Infrared Imaging Radiometer Suite (VIIRS) have different spatial and radiometric resolutions. Thus, some long-time series analysis cannot be conducted without effective and accurate cross-calibration of these two datasets. In this study, we proposed a deep-learning based model to simulate VIIRS-liked DMSP NTL data by integrating the enhanced vegetation index (EVI) data product from MODIS. By evaluating the spatial pattern of the results, the modified Self-Supervised Sparse-to-Dense networks delivered satisfying results of spatial resolution downscaling. The quantitative analysing of the simulated VIIRS-liked DMSP NTL with original VIIRS NTL showed a good consistency at the pixel level of four selected sub datasets with R2 ranging from 0.64 to 0.76, and RMSE ranging from 3.96-9.55. Our method presents that the deep learning model can learn from relatively raw data instead of fine processed data based on expert knowledge to cross-sensor calibration and simulation NTL 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| 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 ».