The Shadow Effect on Surface Biophysical Variables Derived from Remote Sensing: A Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In remote sensing (RS), shadows play an important role, commonly affecting the quality of data recorded by remote sensors. It is, therefore, of the utmost importance to detect and model the shadow effect in RS data as well as the information that is obtained from them, particularly when the data are to be used in further environmental studies. Shadows can generally be categorized into four types based on their sources: cloud shadows, topographic shadows, urban shadows, and a combination of these. The main objective of this study was to review the recent literature on the shadow effect in remote sensing. A systematic literature review was employed to evaluate studies published since 1975. Various studies demonstrated that shadows influence significantly the estimation of various properties by remote sensing. These properties include vegetation, impervious surfaces, water, snow, albedo, soil moisture, evapotranspiration, and land surface temperature. It should be noted that shadows also affect the outputs of remote sensing processes such as spectral indices, urban heat islands, and land use/cover maps. The effect of shadows on the extracted information is a function of the sensor–target–solar geometry, overpass time, and the spatial resolution of the satellite sensor imagery. Meanwhile, modeling the effect of shadow and applying appropriate strategies to reduce its impacts on various environmental and surface biophysical variables is associated with many challenges. However, some studies have made use of shadows and extracted valuable information from them. An overview of the proposed methods for identifying and removing the shadow effect is presented.
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.
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 | 0,000 | 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) | 0,001 | 0,001 |
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 découle