Evaluation of Unmixing Methods for Impervious Surface Area Extraction From Simulated EnMAP Imagery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Distribution of impervious surface area (ISA) is an important input in a wide range of urban ecosystem studies. The future launch of the German hyperspectral satellite environmental mapping and analysis program (EnMAP) in 2019 provides new opportunities for timely and global ISA extraction. The previously proposed EnMAP applications heavily relied on existing reference endmembers, which may be impractical on a global scale. To overcome this defect, we suggest to use the nonnegative matrix factorization (NMF) method to extract the endmember directly from EnMAP imagery. Three traditional unmixing method (e.g., N-Findr, pixel purity index, and independent component analysis) and four NMF-based methods with different constraints (e.g., sparseness, convex volume, and nonlinearity) were used to obtain series of endmember sets, ISA fraction, and classification maps. In results, the NMF-based methods outperformed the three traditional unmixing method, by achieving 0.5-0.6 R-squared values in the linear regression models between predicted and reference ISA percentages, and over 85% overall accuracy in ISA classification maps. We found that the NMF-based spectral unmixing methods are suitable to work with the EnMAP image, when reference endmember data are unavailable. In addition, we processed the widely used Hydice urban test image with the same methods and compared the resulting ISA percentage/classification maps with the EnMAP results, considering the different features of the Hydice and EnMAP sensors. In the results, it is proved that the EnMAP image has great potential in ISA mapping on a global scale, with reasonable overall accuracy and economical efficiency.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle