A Reconstruction Method for Hyperspectral Remote Sensing Reflectance in the Visible Domain and Applications
Notice bibliographique
Résumé
Abstract A reconstruction method was developed for hyperspectral remote sensing reflectance (Rrs) data in the visible domain (400–700 nm) based on in situ observations. A total of 2,647 Rrs spectra were collected over a wide variety of water environments including open ocean, coastal and inland waters. Ten schemes with different band numbers (6 to 15) were tested based on a nonlinear model. It was found that the accuracy of the reconstruction increased with the increase of input band numbers. Eight of these schemes met the accuracy criterion with the mean absolute error (MAE) and mean relative error (MRE) values between reconstructed and in situ Rrs less than 0.00025 sr−1 and 5%, respectively. We chose the eight‐band scheme for further evaluation because of its decent performance. The results revealed that the parameterization derived by the eight‐band scheme was efficient for restoring Rrs spectra from different water bodies. In contrast to the previous studies that used a linear model with 15 spectral bands, the nonlinear model with the eight‐band scheme yielded a comparable reconstruction performance. The MAE and MRE values were generally less than 0.00016 sr−1 and 3% respectively; much lower than the uncertainties in satellite‐derived Rrs products. Furthermore, a preliminary experiment of this method on the data from the Hyperspectral Imager for the Coastal Ocean (HICO) showed high potential in the future applications for reconstructing Rrs spectra from space‐borne optical sensors. Overall, the eight‐band scheme with our nonlinear model was proven to be optimal for hyperspectral Rrs reconstruction in the visible domain.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».