Increasing the Signal-to-Noise Ratio of Satellite Sensors Using Digital Denoising
Notice bibliographique
Résumé
The SNR is a key parameter of satellite sensors because it quantifies how much the signal has been corrupted by noise. Despite advances in satellite sensors, captured data carries enough noise to affect information extraction and scene interpretation. This noise includes a signal-dependent component, called shot noise, and other signal independent components, e.g., thermal noise. The SNR determines the capabilities and the cost of satellite sensors. The reliability of the information delivered by Earth-observation applications highly depends on the quality of the captured data. Satellite users require data and images with high SNRs to better serve their analysis needs. However, to build a satellite sensor with a high SNR is challenging, potentially expensive, and often constrained by available technology. For satellites already in orbit, users must cope with the low SNR of the images acquired. A high SNR can be achieved firsthand by adopting some excessive measures in the satellite design and building phases. These include increasing the aperture or lens size of the optical system to capture as much signal as possible, choosing much more sensitive detectors with a larger pitch size to gather more signal, cooling the detectors to extremely low temperatures to lower the noise, and allocating longer integration times to accumulate more signal. These approaches all have a negative impact on the satellite’s mass, power, and cost. Sometimes, the ultimately achievable SNR still does not meet users’ needs due to the constraint of available technology.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».