The Role of Bi-Directional Reflectance Correction in UAV-based Hyperspectral Imaging to Improve Data Robustness
Notice bibliographique
Résumé
The UAV-based hyperspectral imaging (HSI) has been extensively used in various agriculture applications. The data calibration and pre-processing techniques have been widely studied in the remote sensing research. However, it was ignored that the most important factor affecting the results accuracy is the quality of the spectral data. To acquire such high spectral quality, the bi-directional reflection should be optimally adjusted during the data processing according to radiative transfer equation (RTE) based Hapke's model. In this study, we quantitatively analyzed the relationship of bi-directional reflectance (BRDF) correction on two crop (Canola and Wheat) varieties in the context of hyperspectral data robustness. The simulated dataset based on the radiative transfer parameters are used to evaluate the influence of source-sensor geometry, light illumination, and scattering on data quality and it's ability on data correction using proposed spectral similarity measures (SID-SAM score). The RTE-based BRDF optimization method (Hapke model) is proposed for improving the hyperspectral data quality after comparing with the uncorrected datasets. Simulated results shows that the optimization have significantly improved the data quality and increased the signal accuracy. Hence, the bi-directional reflectance correction would definitely have advantages on the hyperspectral data analysis to improve classification results.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».