ACIX-III Aqua: evaluation of atmospheric correction for hyperspectral PRISMA imagery over inland and coastal waters
Notice bibliographique
Résumé
This study reports the outcomes of the third Atmospheric Correction Intercomparison Exercise (ACIX-III Aqua), which evaluated the performance of atmospheric correction (AC) methods for hyperspectral PRISMA satellite data over inland and coastal waters. The exercise included five AC processors (ACOLITE, hGRS, iCOR, MIP, and POLYMER), the standard PRISMA Level 2C product, and an adjacency correction tool (T-Mart) tested with ACOLITE. A total of 239 cloud-free PRISMA scenes from 2019 to 2024 were compared with in situ data of remote sensing reflectance, gathered from both hyperspectral and multispectral radiometers across eight distinct optical water types (OWTs). The accuracy of each AC method varied with spectral band, but all showed largest and lowest discrepancies with in situ data at 443 nm and 560 nm, respectively. All AC methods showed the best agreement with in situ data in greenish waters (OWT 4b) and highest uncertainties were yielded in humic-rich waters (OWT 7). Consistently with the previous ACIX-Aqua study focused on multispectral data, no single AC method outperformed the others across all OWTs. The study confirmed the ongoing challenges of AC over optically complex waters, yet the exercise allowed the community to advance in developing AC methods for hyperspectral satellite images and supporting the development of future operational hyperspectral missions, such as PRISMA Second Generation (PRISMA 2G) and CHIME.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».