LACC2.0: Improving the LACC Algorithm for Reconstructing Satellite-Derived Time Series of Vegetation Biochemical Parameters
Notice bibliographique
Résumé
The locally adjusted cubic-spline capping (LACC) algorithm is well recognized for its effectiveness in the global time series reconstruction of vegetation biophysical and biochemical parameters. However, in its application, we often encounter issues, such as identifying positively biased outliers for vegetation biochemical parameters and reducing the influence of long consecutive gaps. In this study, we improved the LACC algorithm to address the above two issues by (1) incorporating a procedure to remove outliers and (2) integrating the spatial information of neighboring pixels for large data gap filling. To evaluate the performance of the new version of LACC (namely LACC2.0), leaf chlorophyll content (LCC) was taken as an example. A reference LCC curve was generated for each pixel of the global map as the true value for global evaluation, and a time series of LCC with real gaps in the original data for each pixel was created by adding Gaussian noises into observations for testing the effectiveness of time series reconstruction algorithms. Results showed that the percentage of pixels with an RMSE smaller than 5 μg/cm2 was improved from 81.2% in LACC to 96.4% in LACC2.0, demonstrating that LACC2.0 had the potential to provide a better reconstruction of global daily satellite-derived vegetation biochemical parameters. This finding highlights the significance of outlier removal and spatial-temporal fusion to enhance the accuracy and reliability of time series reconstruction.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».