Robustness Comparison of Spatiotemporal Fusion Models With High Spatial Resolution Satellite Images
Notice bibliographique
Résumé
The construction of high spatial and temporal image time series through spatiotemporal image fusion is vital for environmental monitoring and time-series analysis. However, most existing spatiotemporal image fusion models were originally developed for mid- and coarse spatial resolution satellite images, limiting their applicability to high spatial resolution images. To address this limitation, it is critical to identify models that are robust across different fusion strategies when applied to high spatial resolution images. This study evaluates the robustness of three representative weight function-based models, the Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM), Flexible Spatiotemporal Data Fusion (FSDAF), and Fit-FC, using PlanetScope and Sentinel-2 images from agricultural sites with varying degrees of spatial heterogeneity. The analysis focuses on three key factors related to input data characteristics that influence fusion performance: differences in image acquisition times, differences in spatial resolution ratio, and the impact of radiometric normalization. A relative robustness index (RRI), defined as the coefficient of variation of multi-band prediction results across experimental scenarios, is introduced to facilitate the quantitative comparison of model robustness. Experimental results show that model robustness depends on both landscape heterogeneity and input data characteristics. Fit-FC was the most robust among the three models, particularly in heterogeneous landscapes. These findings provide practical insights for selecting robust models for spatiotemporal fusion in real-world applications using multi-sensor high spatial resolution images.
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 ».