Transforming Image-Objects into Multiscale Fields: A GEOBIA Approach to Mitigate Urban Microclimatic Variability within H-Res Thermal Infrared Airborne Flight-Lines
Notice bibliographique
Résumé
In an effort to minimize complex urban microclimatic variability within high-resolution (H-Res) airborne thermal infrared (TIR) flight-lines, we describe the Thermal Urban Road Normalization (TURN) algorithm, which is based on the idea of pseudo invariant features. By assuming a homogeneous road temperature within a TIR scene, we hypothesize that any variation observed in road temperature is the effect of local microclimatic variability. To model microclimatic variability, we define a road-object class (Road), compute the within-Road temperature variability, sample it at different spatial intervals (i.e., 10, 20, 50, and 100 m) then interpolate samples over each flight-line to create an object-weighted variable temperature field (a TURN-surface). The optimal TURN-surface is then subtracted from the original TIR image, essentially creating a microclimate-free scene. Results at different sampling intervals are assessed based on their: (i) ability to visually and statistically reduce overall scene variability and (ii) computation speed. TURN is evaluated on three non-adjacent TABI-1800 flight-lines (~182 km2) that were acquired in 2012 at night over The City of Calgary, Alberta, Canada. TURN also meets a recent GEOBIA (Geospatial Object Based Image Analysis) challenge by incorporating existing GIS vector objects within the GEOBIA workflow, rather than relying exclusively on segmentation methods.
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 ».