Global DEMs to tackle RPC biases and the overfitting phenomenon in high-resolution satellite imagery
Notice bibliographique
Résumé
The overfitting phenomenon and rational polynomial coefficients (RPCs) biases are two crucial issues that degrade the accuracy of geospatial products derived from high-resolution satellite images. The overfitting phenomenon is caused by both a large number of RPCs and strong correlations among them. The RPC biases arise from uncertainties in the global positioning system receivers and inertial measurement units. In this article, an innovative framework based on the genetic algorithm (GA) and the least squares (LS) algorithm, called GALS, is proposed to overcome these problems simultaneously. In this method, the GA is applied to select the optimum RPCs, while the LS algorithm is used to estimate the values of the optimally selected RPCs. The GALS method requires various sets of well-distributed ground control points (GCPs). To tackle the problem of GCP collection, we generated a large number of digital elevation model (DEM)-derived GCPs (DEMGCPs), using a global DEM (GDEM) and vendor-provided RPCs, refined by only one GCP. To evaluate the performance of this framework, four IRS-P5 data sets were used. The GALS is compared to two competing methods, L1-norm-regularized LS and ridge estimation by considering two scenarios using 50 GCPs and the DEMGCPs. The results demonstrate the superiority of GALS in both scenarios. Furthermore, GALS using DEMGCPs led to far more accurate and stable results when compared to GALS using GCPs. Compared to the vendor-provided RPCs, the results of the GALS using DEMGCPs also indicate a major improvement, single-pixel or subpixel accuracy with around 15 RPCs, and only 1 GCP, in both accuracy and reliability of georeferencing for all IRS-P5 data sets.
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 ».