Noise reduction and best band selection techniques for improving classification results using hyperspectral data: application to lithological mapping in Canada's Arctic
Notice bibliographique
Résumé
AbstractTwo problems in using hyperspectral data are the effects of noise and redundancy of information (too many channels) on classification results. This paper introduces two methods for dealing with these problems using a hyperspectral dataset over southern Baffin Island in Canada's Arctic region. This paper shows how classification results using matched filtering (MF) are improved on the modified datasets for identifying various lithologies. The noise-reduced dataset produced using the inverse minimum noise fraction (MNF) transform provides the most accurate classifications, followed by the dataset comprising the best bands determined through eigenvector analysis. The supervised approach presented in this paper in which training areas are extracted using a combination of visual analysis of MNF component images, analysis of existing geology, and field observations followed by match filtering produce useful spectral maps to assist in focusing field mapping activities or as stand-alone maps that provide lithologic information even in the absence of field mapping.Un des problèmes rencontrés dans l'utilisation des données hyperspectrales provient des effets du bruit et de la redondance de l'information (trop de bandes) sur les résultats de classification. Le présent article présente deux méthodes pour pallier ces problèmes à l'aide d'un ensemble de données hyperspectrales acquises dans le sud de l'île de Baffin, dans l'Arctique canadien. Cet article montre comment les résultats de classification peuvent être améliorés à l'aide de la technique de filtrage adapté MF (« matched filtering ») dans le cas des ensembles de données modifiés pour l'identification des différentes lithologies. L'ensemble de données au bruit réduit utilisant l'inverse de la transformée MNF (« minimum noise fraction ») donne les classifications les plus précises suivies par les ensembles de données constitués des meilleures bandes déterminées par analyse des vecteurs propres. L'approche dirigée présentée dans cet article, dans laquelle les zones d'entraînement sont extraites en combinant l'analyse visuelle des images dérivées de la MNF, l'analyse de la géologie existante et des observations sur le terrain, suivie par une analyse MF, donne des cartes spectrales utiles pour orienter les activités de cartographie sur le terrain ou qui peuvent être utilisées tout simplement comme cartes apportant une information sur la lithologie, même en l'absence de cartes de terrain.[Traduit par la Rédaction]
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 ».