A gap-filling method for satellite-derived chlorophyll-a time series based on neighborhood spatiotemporal information
Notice bibliographique
Résumé
Satellite-derived Chlorophyll-a concentration (Chla) time series products are essential for large-scale marine environmental monitoring. However, the plenty of missing pixels in current satellite Chla products severely hinder their applications for marine research, due to cloud contamination, solar glint, and unfavorable observation conditions. This study proposed a Chla time series gap-filling method for MODIS 8-day composite Chla product by integrating spatiotemporal information (STGF). This method employed spatially neighboring pixels with similar temporal variation to fill the missing values in time series, without involving training or auxiliary data. The performance of the STGF is assessed quantitatively and qualitatively. The correlation coefficients (CC) between gap-filled data and actual observations for years of 2004, 2010, 2016, and 2022 across the entire study area are all greater than 0.97. The mean absolute percentage error (MAPE) and root mean square error (RMSE) are less than 16.1 % and 0.233 mg/m3, respectively. The proposed STGF outperformed linear interpolation and the DINEOF algorithm from both spatial and temporal perspectives, suggesting the effectiveness of STGF in handling continuous data gaps and capturing detailed Chla variation patterns, especially in regions with significant variability. The findings suggest that the proposed STGF method offers a viable alternative for filling missing values in Chla time series data. This supports the demand for long-term, large-scale, and high-coverage ocean color remote sensing data in marine environmental studies.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».