Study on the Impact of Spatial Resolution on Fractional Vegetation Cover Extraction with Single-Scene and Time-Series Remote Sensing Data
Notice bibliographique
Résumé
The spatial resolution of remote sensing images directly affects the accuracy, efficiency, and computational cost of extracting the fractional vegetation cover (FVC). Taking the Liyang woodland region, Jiangsu Province, as the study area, FVCs with varying spatial resolutions were extracted separately from Sentinel-2, Landsat-8, MOD13Q1, and MOD13A1. The variations in FVCs extracted from remote sensing images with varying spatial resolutions were analyzed at one specific time and time series within a year. The results show that (i) the overall mean FVC values of the four spatial resolution images did not differ substantially; however, FVCs with varying spatial resolutions present with a regular pattern of overestimation or underestimation at different vegetation levels. (ii) Taking the 10 m spatial resolution FVC as the reference, the accuracy values of FVC extraction at 30 m, 250 m, and 500 m resolutions were 91.0%, 76.3%, and 76.7%, respectively. The differences in the spatial distribution of FVCs are the most obvious at water–land interfaces and at the edge of each woodland patch. (iii) The highest accuracy of time-series FVC extraction from lower-resolution images is in the range of 0.6~0.7 for FVC. The degree of variation in FVC of time series varying spatial resolutions depends on the season and vegetation cover conditions. In summary, there are considerable differences in the need to monitor high-resolution images depending on the FVC level of the land surface. This study provides a reference for selection and accuracy research of remote sensing images for FVC extraction.
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 | 0,001 | 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 ».