HARMU: A Multiband Sensor Harmonization for Building Virtual Constellations. Application to Landsat 8 and Sentinel-2
Notice bibliographique
Résumé
The combination of Sentinel-2 multispectral instrument (MSI) and Landsat 8 operational land imager (OLI) creates a virtual constellation of decametric sensors with high revisiting frequency. However, the differences in the spectral characteristics of the two sensors cause inconsistencies in downstream applications. This study proposed a multiband constraint spectral harmonization method called HARMU. In comparison to existing methods, HARMU uses all the spectral bands in the source sensor to predict the reflectance of the targeting sensor and so fully exploits spectral linkage among different bands. HARMU was specifically implemented by Gaussian process regression (GPR), with training data collected from the spatiotemporally representative BEnchmark Land Multisite ANalysis and Intercomparison of Products 2.1 (BELMANIP2.1) sites. We reproduced the top of the canopy reflectance at both common bands of OLI and MSI and also reflectance at red-edge (RE) bands that are only equipped on MSI. The results indicated that HARMU performed satisfactorily with$R^{2}$larger than 0.91 and Rel-Bias less than 0.19 for all bands over BELMANIP2.1 sites. HARMU offered similar performances as the widely used Harmonized Landsat and Sentinel-2 (HLS) products: average$R^{2}$slightly improved from 0.86 for HLS to 0.88 for HARMU for the common bands as evaluated over ground-based observations for validation (GBOV) sites, and additionally, it well reconstructs the missing RE band in HLS-based OLI ($R^{2} \gt 0.81$and Rel-Bias <0.15). HARMU will substantially contribute to generating spatiotemporally continuous time series of decametric data from the MSI-OLI virtual constellation and monitoring vegetation dynamics in large-scale and long-time sequences.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».