Notice bibliographique
Résumé
Rapid advancements in sensor technology have enabled satellites to generate a very large amount of data for a variety of applications, e.g., hyperspectral imagers and imaging Fourier transform spectrometers. These sensors acquire over hundreds to a few thousand spectral bands of images of a scene and generate a lot of data. As a result, there is an increasing need for data compression in order to effectively transmit data from space to ground and to archive data on the ground. Research into satellite data compression has been previously reported. This chapter describes lossless and near-lossless data compression techniques that have been applied to multispectral, hyperspectral, and ultraspectral satellite images, as well as the three international standards of satellite data compression. A more-comprehensive description of optical satellite data compression techniques and their implementation and applications can be found in this book’s companion text. Data compression techniques can be classified into three types: 1. Lossless compression, 2. Near-lossless compression, and 3. Lossy compression. Lossless compression techniques are reversible techniques that compress an image without loss of information. The reconstructed image is exactly the same as the original image. Because there is no loss of information, this kind of compression technique is used for applications that cannot tolerate any difference between the original and reconstructed data. However, a lossless compression technique cannot achieve a high compression ratio, which is dependent on the redundancy of the images. The larger the redundancy is, the higher the compression ratio that can be achieved. For optical satellite images, the lossless compression ratio is normally less than 3:1. For an image with a very smooth scene or extremely low spatial or spectral information in the data, a higher compression ratio may be achieved.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».