MétaCan
Menu
Retour à la cohorte
Enregistrement W4409528576 · doi:10.1016/j.isprsjprs.2025.04.006

On the consistency and stability of vegetation biophysical variables retrievals from Landsat-8/9 and Sentinel-2

2025· article· en· W4409528576 sur OpenAlexafffundabout
Najib Djamai, Richard Fernandes, Lixin Sun, Gang Hong, Luke A. Brown, Harry Morris, Jadunandan Dash

Notice bibliographique

RevueISPRS Journal of Photogrammetry and Remote Sensing · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensNatural Resources Canada
Organismes subventionnairesJoint Research CentreNatural Resources CanadaEuropean Commission
Mots-clésRemote sensingVegetation (pathology)Environmental scienceConsistency (knowledge bases)Stability (learning theory)GeographyComputer scienceArtificial intelligenceMachine learning

Résumé

récupéré en direct d'OpenAlex

Systematic decametric resolution global mapping of vegetation biophysical variables, including fraction of absorbed photosynthetically active radiation (fAPAR), fraction of vegetation cover (fCOVER), and leaf area index (LAI), is required to support various activities, including climate adaptation, crop management, biodiversity monitoring, and ecosystem assessments. The Canada Centre for Remote Sensing (CCRS) version of the Simplified Level 2 Prototype Processor (SL2P-CCRS) enables global mapping of these variables using freely available medium resolution multispectral satellite data from Sentinel-2 (S2) and Landsat-8/9 (LS) data. In this study, fiducial reference measurements (RMs) from the National Ecological Observatory Network (NEON) supplemented with regional measurements from CCRS were used to evaluate the consistency between SL2P-CCRS estimates of fAPAR, fCOVER and LAI from LS and S2 data and to quantify their temporal stability. SL2P-CCRS estimates of fCOVER (Accuracy (A) ∼ 0.03, Uncertainty (U) ∼ 0.13) and fAPAR (A ∼ −0.03, U ∼ 0.13) from LS and S2 were unbiased, and generally similar between sensors, based on 6569 LS-RMs and 4932 S2-RMs matchups. However, LAI estimates, especially for woody wetlands, deciduous forest, and mixed forest, were underestimated, with better estimates obtained using S2 (A ∼ −0.33, U ∼ 0.98) than LS (A ∼ −0.43, U ∼ 1.13). For all variables, SL2P-CCRS LS estimates were highly correlated to S2 estimates overall (R2 0.80 to 0.82) but up to 35 % lower for LAI over broadleaf and mixed forests and between lower 10 % and 20 % otherwise. The inter-annual stability of SL2P-CCRS estimates from both LS and S2 fell within the Global Climate Observing System (GCOS) requirements with the mean (standard deviation) values of −0.01 yr −1 (0.06 yr −1 ) for LS LAI, 0.02 yr −1 (0.09 yr −1 ) for S2 LAI, and 0 yr −1 (0.01 yr −1 ) for fCOVER and fAPAR from both LS and S2. The stability of both S2 and LS vegetation biophysical products indicate that are well suited for quantify the physical response of vegetation to climate variability, disturbances and regeneration.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,379
Score d'incertitude au seuil0,313

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,225
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueISPRS Journal of Photogrammetry and Remote SensingMême sujetRemote Sensing in AgricultureTravaux en français237 207