Assessing the effectiveness of ground truth data to capture landscape variability from an agricultural region using Gaussian simulation and geostatistical techniques
Notice bibliographique
Résumé
Predictive modeling with remotely sensed data requires an accurate representation of spatial variability by ground truth data. In this study, we assessed the reliability of the size and location of ground truth data in capturing the landscape spatial variability embedded in the Airborne Visible Infrared Imaging Spectrometer-Next Generation (AVIRIS-NG) hyperspectral image in an agricultural region in Anand, India. We derived simulated spectral vegetation and soil indices using Gaussian simulation from AVIRIS-NG image for two point-location datasets, (1) ground truth points from adaptive sampling and (2) points from conditional Latin Hypercube Sampling (cLHS). We compared values of the simulated image indices against the actual image indices (measured) through the analysis of mean absolute errors. Modeling the variogram of the measured indices with the hyperspectral image in high spatial resolution (4m), is an effective way to characterize the spatial heterogeneity at the landscape level. We used geostatistical techniques to analyze the shapes of experimental variograms in order to assess whether or not the ground truth points, when compared against the cLHS-derived points, captured the spatial structures and variability of the studied agricultural area using measured indices. In addition, we explored the capability of the variogram by running tests in different point sample sizes. The ground truth and cLHS datasets were able to derive equivalent values for field spatial variability from image indices, according to our findings. Furthermore, this research presents a methodology for selecting spectral indices and determining the best sample size for efficiently replicating spatial patterns in hyperspectral images.
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 | 0,006 | 0,020 |
| 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 | 0,001 |
| 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) | 0,000 | 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 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 ».