Evaluating visible derivative spectroscopy by varimax-rotated, principal component analysis of aerial hyperspectral images from the western basin of Lake Erie
Notice bibliographique
Résumé
The Kent State University (KSU) spectral decomposition method provides information about the spectral signals present in multispectral and hyperspectral images. Pre-processing steps that enhance signal to noise ratio (SNR) by 7.37–19.04 times, enables extraction of the environmental signals captured by the National Aeronautics and Space Administration (NASA) Glenn Research Center's, second generation, Hyperspectral imager (HSI2) into multiple, independent components. We have accomplished this by pre-processing of Level 1 HSI2 data to remove stripes from the scene, followed by a combination of spectral and spatial smoothing to further increase the SNR and remove non-Lambertian features, such as waves. On average, the residual stochastic noise removed from the HSI2 images by this method is 5.43 ± 1.42%. The method also enables removal of a spectrally coherent residual atmospheric bias of 4.28 ± 0.48%, ascribed to incomplete atmospheric correction. The total noise isolated from signal by the method is thus <±7% based on analysis of multiple swaths. The method is essentially independent of the order of operations, extracting the same spectral components within error in all cases, spatial patterns that are very similar and explaining nearly identical amounts of information from each image. Based on comparison between multiple swaths the uncertainty in the variance associated with each component averages ±1.69% and is as low as ±0.08% and in all cases <±3.15%.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».