Global Adaptability Assessment of Ten Common Topographic Correction Models for Landsat 8 OLI Images
Notice bibliographique
Résumé
Sloping terrain distorts the sun-target-sensor geometry, resulting in biases of the optical reflectance measured by remote sensors relative to flat situations. Performing topographic correction (TC) is, therefore, deemed mandatory to foster the full exploitation of satellite images worldwide to support various applications in mountainous regions. Various TC models have already been proposed and developed, while most of them were previously evaluated at local or regional scales using a few images with various evaluation criteria. Therefore, a systematic and comprehensive assessment has yet to be done on these TC models in the global mountainous regions. In the present study, 10523 Landsat 8 OLI images filtered by land cover types and seasons sampled in the global mountains are corrected by ten popular TC models (SE, b correction, VECA, CC, SCS, DS, SCS+C, PLC, Minnaert, and Minnaert+SCS) with a unified evaluation criterion on the Google Earth Engine platform. The outcomes are that: (1) global TC effects on Landsat 8 OLI images generally increase with sun zenith angles and latitudes; (2) six models (SE, b correction, CC, VECA, Minnaert, and Minnaert+SCS) show good adaptability among the ten models for the global mountainous placing a disregard to land cover types and seasons; (3) considering permanent snow and ice, needle-leaved forests in winter, and null values might appear in b correction, SE is deemed to be with the most global adaptability. This study pioneers an evaluation of fashionable TC models concerning mountainous regions worldwide and will be useful for applying TC to Landsat images for the benefit of making global TC products in the future and a fair inter-comparison of OLI surface reflectance measured in various mountainous areas of the globe.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».