Seasonal Snowpack Classification Based on Physical Properties Using Near-Infrared Proximal Hyperspectral Data
Notice bibliographique
Résumé
This paper proposes an innovative method for classifying the physical properties of the seasonal snowpack using near-infrared (NIR) hyperspectral imagery to discriminate the optical classes of snow at different degrees of metamorphosis. This imaging system leads to fast and non-invasive assessment of snow properties. Indeed, the spectral similarity of two samples indicates the similarity of their chemical composition and physical characteristics. This can be used to distinguish, without a priori recognition, between different classes of snow solely based on spectral information. A multivariate data analysis approach was used to validate this hypothesis. A principal component analysis (PCA) was first applied to the NIR spectral data to analyze field data distribution and to select the spectral range to be exploited in the classification. Next, an unsupervised classification was performed on the NIR spectral data to select the number of classes. Finally, a confusion matrix was calculated to evaluate the accuracy of the classification. The results allowed us to distinguish three snow classes of typical shape and size (weakly, moderately, and strongly metamorphosed snow). The evaluation of the proposed approach showed that it is possible to classify snow with a success rate of 85% and a kappa index of 0.75. This illustrates the potential of NIR hyperspectral imagery to distinguish between three snow classes with satisfactory success rates. This work will open new perspectives for the modelling of physical parameters of snow using spectral data.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».