The Correlation Coefficient as a Simple Tool for the Localization of Errors in Spectroscopic Imaging Data
Notice bibliographique
Résumé
The correlation coefficient (CC) was substantiated as a simple, yet robust statistical tool in the quality assessment of hyperspectral imaging (HSI) data. The sensitivity of the metric was also characterized with respect to artificially-induced errors. The CC was found to be sensitive to spectral shifts and single feature modifications in hyperspectral ground data despite the high, artificially-induced, signal-to-noise ratio (SNR) of 100:1. The study evaluated eight airborne hyperspectral images that varied in acquisition spectrometer, acquisition date and processing methodology. For each image, we identified a uniform ground target region of interest (ROI) that was comprised of a single asphalt road pixel from each column within the sensor field-of-view (FOV). A CC was calculated between the spectra from each of the pixels in the ROI and the data from the center pixel. Potential errors were located by reductions in the CCs below a designated threshold, which was derived from the results of the sensitivity tests. The spectral range associated with each error was established using a windowing technique where the CCs were recalculated after removing the spectral data within various windows. Errors were isolated in the spectral window that removed the previously-identified reductions in the CCs. Finer errors were detected by calculating the CCs across the ROI in the spectral range surrounding various atmospheric absorption features. Despite only observing deviations in the CCs from the 3rd–6th decimal places, non-trivial errors were detected in the imagery. An error was detected within a single band of the shortwave infrared imagery. Errors were also observed throughout the visible-near-infrared imagery, especially in the blue end. With this methodology, it was possible to immediately gauge the spectral consistency of the HSI data across the FOV. Consequently, the effectiveness of various processing methodologies and the spectral consistency of the imaging spectrometers themselves could be studied. Overall, the research highlights the utility of the CC as a simple, low monetary cost, analytical tool for the localization of errors in spectroscopic imaging data.
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 | 0,012 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».