Considerations of data handling system of a spaceborne imaging spectrometer with onboard data compression
Notice bibliographique
Résumé
This paper outlines the data handling system (DHS) of a spaceborne hyperspectral imager with an onboard data compressor. The data compression techniques to be used are successive approximation multistage vector quantization and hierarchical self-organizing cluster vector quantization. Considerations and implementation aspects of the DHS related to the onboard data compression are addressed. The impact of anomalies (spikes, saturation, etc.) in the raw data on compression performance is evaluated for the purpose of determining whether or not onboard data scrubbing is required before compression. The evaluation results show that anomalies in raw data have no significant effect on compression. This paper evaluates the impact of preprocessing and the conversion of raw data to radiance units on data compression using remote sensing applications to examine whether or not they should be applied on board before compression. The evaluation results show that preprocessing and radiometric conversion applied either before or after compression have no impact on an application using leaf area index but have impact on a target detection application using spectral unmixing. This paper also examines the combination of the two compression techniques to see if there is a performance improvement over a single technique. The experimental results show that the combined compression system does not perform better than either technique alone. Lastly, the resilience of the two compression techniques against bit errors caused by single event upsets is examined. The experimental results show that there is no loss of data fidelity when the error rate is ≤10–6.
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 | 0,000 | 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 | 0,001 |
| 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 ».