Iterative Spectral Unmixing for Optimizing Per-Pixel Endmember Sets
Notice bibliographique
Résumé
Fractional abundances predicted for a given pixel using spectral mixture analysis (SMA) are most accurate when only the endmembers that comprise it are used, with larger errors occurring if inappropriate endmembers are included in the unmixing process. This paper presents an iterative implementation of SMA (ISMA) to determine optimal per-pixel endmember sets from the image endmember set using two steps: 1) an iterative unconstrained unmixing, which removes one endmember per iteration based on minimum abundance and 2) analysis of the root-mean-square error as a function of iteration to locate the critical iteration defining the optimal endmember set. The ISMA was tested using simulated data at various signal-to-noise ratios (SNRs), and the results were compared with those of published unmixing methods. The ISMA method correctly selected the optimal endmember set 96% of the time for SNR of 100 : 1. As a result, per-pixel errors in fractional abundances were lower than for unmixing each pixel using the full endmember set. ISMA was also applied to Airborne Visible/Infrared Imaging Spectrometer hyperspectral data of Cuprite, NV. Results show that the ISMA is effective in obtaining abundance fractions that are physically realistic (sum close to one and nonnegative) and is more effective at selecting endmembers that occur within a pixel as opposed to those that are simply used to improve the goodness of fit of the model but not part of the mixture
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».