MétaCan
Menu
Retour à la cohorte
Enregistrement W3160938891 · doi:10.1061/9780784483374.051

Development of an Integrated Vision System (IVS) for Characterization of the Lunar Surface

2021· article· en· W3160938891 sur OpenAlexaff
E. Pilles, G. R. Osinski, L. L. Tornabene, Jayshri Sabarinathan, Aref Bakhtazad

Notice bibliographique

RevueEarth and Space 2021 · 2021
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiquePlanetary Science and Exploration
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésMultispectral imageRemote sensingComputer scienceContext (archaeology)LidarGeology

Résumé

récupéré en direct d'OpenAlex

The integrated vision system (IVS) is a prototype stand-off instrument that would be mounted on a rover mast for planetary exploration. The newly envisioned IVS instrument concept is currently being redesigned for rapid reconnaissance of the lunar surface through the integration of a multispectral imager and a multi-wavelength LIDAR. The wide band multispectral camera uses two types of image sensors to cover the wide wavelength from 250 to 2,500 nm. This is a novel development as all previous and current context imagers on landers or rovers have only had the capability to acquire images up to 1,000 nm. We demonstrate the clear links between the potential capabilities of the IVS to strategic knowledge gaps related to lunar resource exploration. We describe the primary scientific goals and objectives of the instrument, and investigation measurement objectives that can be traced to specific instrument requirements. We demonstrate how the IVS would be able to rapidly differentiate between different types of lunar materials through the use of band ratios and spectral parameters on orbital datasets. Through these analyses, we identify a nominal list of filter wavelengths for the IVS that would be most suitable for lunar exploration.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,009
Tête enseignante GPT0,203
Écart entre enseignants0,195 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEarth and Space 2021Même sujetPlanetary Science and ExplorationTravaux en français237 207