Détail de l'auteur
Auteur Xuehan Wang |
Documents disponibles écrits par cet auteur (1)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Spatiotemporal temperature fusion based on a deep convolutional network / Xuehan Wang in Photogrammetric Engineering & Remote Sensing, PERS, vol 88 n° 2 (February 2022)
![]()
[article]
Titre : Spatiotemporal temperature fusion based on a deep convolutional network Type de document : Article/Communication Auteurs : Xuehan Wang, Auteur ; Zhenfeng Shao, Auteur ; Xiao Huang, Auteur ; Deren Li, Auteur Année de publication : 2022 Article en page(s) : pp 93 - 101 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse comparative
[Termes IGN] apprentissage profond
[Termes IGN] Chine
[Termes IGN] données spatiotemporelles
[Termes IGN] fusion de données multisource
[Termes IGN] image Landsat
[Termes IGN] image Terra-MODIS
[Termes IGN] réseau neuronal convolutif
[Termes IGN] série temporelle
[Termes IGN] température au sol
[Termes IGN] température de surfaceRésumé : (Auteur) High-spatiotemporal-resolution land surface temperature (LST) images are essential in various fields of study. However, due to technical constraints, sensing systems have difficulty in providing LSTs with both high spatial and high temporal resolution. In this study, we propose a multi-scale spatiotemporal temperature-image fusion network (MSTTIFN) to generate high-spatial-resolution LST products. The MSTTIFN builds nonlinear mappings between the input Moderate Resolution Imaging Spectroradiometer (MODIS) LSTs and the out- put Landsat LSTs at the target date with two pairs of references and therefore enhances the resolution of time-series LSTs. We conduct experiments on the actual Landsat and MODIS data in two study areas (Beijing and Shandong) and compare our proposed MSTTIFN with four competing methods: the Spatial and Temporal Adaptive Reflectance Fusion Model, the Flexible Spatiotemporal Data Fusion Model, a two-stream convolutional neural network (StfNet), and a deep learning-based spatiotemporal temperature-fusion network. Results reveal that the MSTTIFN achieves the best and most stable performance. Numéro de notice : A2022-064 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.21-00023R2 Date de publication en ligne : 01/02/2022 En ligne : https://doi.org/10.14358/PERS.21-00023R2 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99724
in Photogrammetric Engineering & Remote Sensing, PERS > vol 88 n° 2 (February 2022) . - pp 93 - 101[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 105-2022021 SL Revue Centre de documentation Revues en salle Disponible