Assessing the Impact of T-Mart Adjacency Effect Correction on Turbidity Retrieval from Landsat 8/9 and Sentinel-2 Imagery (Case Study: St. Lawrence River, Canada)
Notice bibliographique
Résumé
In inland waters, Atmospheric Correction (AC), including Adjacency Effect (AE) correction, is a major challenge for water quality retrieval using optical satellite data. This study evaluated three image pre-processing options for turbidity retrieval in the St. Lawrence River using Sentinel-2 (S2) and Landsat 8/9 (L8/9) imagery with the Light Gradient Boosting Machine (LightGBM) model: (1) No pre-processing, i.e., use of Top-of-Atmosphere (TOA) reflectance, (2) AC pre-processing, obtaining water-leaving reflectance (Rw) from AC for the Operational Land Imager lite (ACOLITE)’s Dark Spectrum Fitting (DSF) technique, and (3) AE pre-processing, correcting for the AE using T-Mart before obtaining Rw from DSF. Results demonstrated that AE pre-processing outperformed the other two options. For L8/9, AE pre-processing reduced the Root Mean Square Error (RMSE) and improved the median symmetric accuracy (ε) by 48.8% and 19.0%, respectively, compared with AC pre-processing, and by 48.5% and 50.7%, respectively, compared with No pre-processing. For S2, AE pre-processing performed better than AC pre-processing and also outperformed No pre-processing, reducing RMSE by 28.4% and ε by 50.8%. However, No pre-processing yielded the lowest absolute symmetric signed percentage bias (|β|) among all pre-processing options. Analysis indicated that AE pre-processing yielded superior performance within 0–300 m from shore than other options, where the AE influence is strongest. Turbidity maps generated using AE pre-processing were smoother and less noisy compared to the other pre-processing options, particularly in cloud-adjacent regions. Overall, our findings suggest that incorporating AE correction through T-Mart improves the performance of the LightGBM model for turbidity retrieval from both L8/9 and S2 imagery in the St. Lawrence River, compared to the alternative pre-processing options.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».