S-Space: A new concept for information extraction from imaging spectrometer data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Imaging spectroscopy records the solar reflected spectrum at a fine spectral resolution and in a large number of bands thereby producing a spectral profile associated with each pixel in an image. This type of data tends to be highly correlated and we intend to harness the information of this spectral dependence by introducing the S-space concept. This concept in conjunction with measures of spatial dependence allows one to visualize the spectral profile as a regionalized variable where distance is measured in wavelengths. Unlike image space, S-space is one-dimensional. We illustrate the S-space concept using a CASI image of a forest scene and an AVIRIS image of an urban scene. This new technique provides spectral correlation information for each individual spectral profile on a per-pixel basis rather than the spectral variability across the entire image as is traditionally done in remote sensing investigations. As an example of the possibilities, spectral dependence was quantified using the semivariogram in S-space. A model of spatial dependence was then fitted to each semivariogram and the model parameters used as input to a classification algorithm in order to extract land cover information. To compare our approach with standard techniques, we used the first three principal components to produce a land cover classification. The semivariogram model parameter derived classification results displayed a better spatial contiguity and greatly diminished the dimensionality of the dataset. We also discuss future directions for the use of the S-space concept.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 découle