Opportunities and Challenges of Spaceborne Sensors in Delineating Land Surface Temperature Trends: A Review
Notice bibliographique
Résumé
Understanding the land surface temperature (LST) trends is crucial for policymakers and stakeholders to develop adaptation and mitigation strategies suitable for a sustainable environment coping in the face of climate change. This article presents a systematic review of the studies related to delineating spaceborne sensor-based LST trends, including information on the instruments and constellations of satellites (missions) that provide thermal infrared (TIR) and passive microwave (PMW) observations. About 99% of the studies used TIR, where 76% were Moderate Resolution Imaging Spectroradiometer (MODIS, onboard Terra/Aqua) observations. Opportunities, challenges, and research gaps for using the TIR and PMW observations were also explored, with instruments onboard either polar-orbiting or geostationary satellites. We identified that the calibrated dataset (e.g., processed, harmonized, and standardized) is extremely limited for each constellation, with multiple satellites and instruments, to make it fully useful for the entire mission period. A few problematic methodological concepts were identified, including using a few images in a longer time series. Using only a few images, acquired on different calendar months in different years, would not provide the true annual trends over the study period because they can be influenced by seasonal variations. To estimate the warming or cooling daytime, nighttime, or diurnal LST trends, the use of MODIS observations could be useful, even though it does not acquire images during the maximum or minimum temperature in a daily cycle. This article indicated further investigations into those research gaps and recommended directions to overcome most of these limitations.
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 | 0,001 |
| 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 ».