Experiences Learned in the Acquisition, Processing, and Assessment of In-situ Point Spectroscopy Measurements Supporting Airborne Hyperspectral Cal/Val activities
Notice bibliographique
Résumé
The process of acquiring and processing in-situ point spectroscopy measurements as ‘ground-truth’ reflectance is often viewed as straightforward and uncomplicated. In reality, the process requires significant attention to detail. This is particularly true as it applies to its use in activities related to the calibration and validation of airborne and/or satellite hyper/multi-spectral imagery where unbiased traceable results are crucial. In this presentation, I review methodologies employed by the airborne hyperspectral remote sensing group at the National Research Council Canada to optimize the acquisition of in-situ point spectroscopy measurements and the processing of target reflectance spectra as performed in support of a bottomup (lab field airborne satellite (Sentinel-2)) data end-product validation project. In addition, methodologies to assess the quality of the resulting reflectance spectra are discussed. The laboratory portion of the approach was designed to provide an initial reference panel reflectance characterization in terms of the biconical reflectance factor (BCRF) followed by regular monitoring of panel degradation. Making use of a laboratory implementation of a SVC 1024i field spectrometer, the BCRF of field reflectance reference panels were cross-calibrated at a 0°:45° view/illumination geometry against our primary lab reference panel. This lab panel had, in turn, been calibrated by the Remote Sensing Group at the University of Arizona tying our results to the NIST reflectance standard. Assessment of these data sets, acquired under controlled laboratory conditions, identified potential artifacts related to the detector temperature and integration times in the SVC 1024i field spectrometer. We see many examples where these effects have gone unnoticed within datasets acquired in less aware field deployments. Experiences related to the acquisition of robust field spectrometry measurements are then reviewed along with methods we apply to evaluate the quality and suitability of the resultant datasets given the less than ideal atmospheric conditions commonly encountered. Biases due to inconsistent location of inscattering objects, reference panel leveling, solar angle procession, and variances in downwelling illumination conditions are also considered.
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 | 0,003 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».