MétaCan
Menu
Retour à la cohorte
Enregistrement W3081119432 · doi:10.3390/data5040096

ASDToolkit: A Novel MATLAB Processing Toolbox for ASD Field Spectroscopy Data

2020· article· en· W3081119432 sur OpenAlexafffund
Kathryn Elmer, Raymond Soffer, J. Pablo Arroyo‐Mora, Margaret Kalácska

Notice bibliographique

RevueData · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueCalibration and Measurement Techniques
Établissements canadiensNational Research Council CanadaMcGill University
Organismes subventionnairesNational Research Council CanadaNatural Sciences and Engineering Research Council of CanadaUniversité de Montréal
Mots-clésRemote sensingSpectroradiometerEnvironmental scienceComputer scienceReference dataRange (aeronautics)RepeatabilityData processingOpticsReflectivityMathematicsMaterials scienceGeographyData miningStatisticsPhysics

Résumé

récupéré en direct d'OpenAlex

Over the past 30 years, the use of field spectroscopy has risen in importance in remote sensing studies for the characterization of the surface reflectance of materials in situ within a broad range of applications. Potential uses range from measurements of individual targets of interest (e.g., vegetation, soils, validation targets) to characterizing the contributions of different materials within larger spatially mixed areas as would be representative of the spatial resolution captured by a sensor pixel (UAV to satellite scale). As such, it is essential that a complete and rigorous assessment of both the data acquisition procedures and the suitability of the derived data product be carried out. The measured energy from solar-reflective range spectroradiometers is influenced by the viewing and illumination geometries and the illumination conditions, which vary due to changes in solar position and atmospheric conditions. By applying corrections, the estimated absolute reflectance (Rabs) of targets can be calculated. This property is independent of illumination intensity or conditions, and is the metric commonly suggested to be used to compare spectra even when data are collected by different sensors or acquired under different conditions. By standardizing the process of estimated Rabs, as is provided in the described toolkit, consistency and repeatability in processing are ensured and the otherwise labor-intensive and error-prone processing steps are streamlined. The resultant end data product (Rabs) represents our current best effort to generate consistent and comparable ground spectra that have been corrected for viewing and illumination geometries as well as other factors such as the individual characteristics of the reference panel used during acquisition.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Logiciel · Signal consensuel: aucune
Score de désaccord entre enseignants0,121
Score d'incertitude au seuil0,404

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0030,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,1210,066

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.

Tête enseignante Opus0,218
Tête enseignante GPT0,328
Écart entre enseignants0,109 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreLogiciel

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDataMême sujetCalibration and Measurement TechniquesTravaux en français237 207