Reconstructing Historical Landsat Time Series Using a Transformer-Based Deep Learning Approach: A Case Study in the Canadian Prairies Region
Notice bibliographique
Résumé
The Landsat program is crucial for monitoring environmental changes, benefiting from its long record of moderate-spatial-resolution imagery, well-established calibration, and commitment to providing open-access data. However, the sparse and irregular observation intervals in Landsat time series pose challenges for applications requiring temporally consistent data. This study evaluates the performance of two deep learning models, CFC-mmRNN and a Transformer-based network, for reconstructing Landsat time series under varying data availability conditions. Accuracy is analyzed across spectral bands, seasons, and data densities to assess their effectiveness in handling irregular temporal gaps. The results indicate that the Transformer model outperforms CfC-mmRNN. While both models achieve similar accuracy in high-density cases, CfC-mmRNN’s performance declines sharper as data density decreases. In contrast, the Transformer model maintains the temporal structure of the reconstructed time series even at very low densities, with about two observations per year. These findings suggest that CfC-mmRNN remains effective for time series applications when sufficient observations are available, and it is directly applicable to forecasting tasks. The Transformer model, however, offers a more robust solution for reconstructing sparse Landsat time series, particularly in data-scarce conditions. This study underscores the importance of selecting an appropriate deep learning method to enhance Landsat time series reconstruction.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».