Error Tracking in IKONOS Geometric Processing Using a 3D Parametric Modelling
Notice bibliographique
Résumé
Thirteen panchromatic (Pan) and multiband (XS) IKONOS Geo-product images over seven study sites with various environments and terrain were tested using different cartographic data and accuracies with a 3D parametric model developed at the Canada Centre for Remote Sensing, Natural Resources Canada. The objectives of this study were to define the relationship between the final accuracy and the number and accuracy of input data, to track error propagation during the full geometric correction process (bundle adjustment and ortho-rectification), and to advise on the applicability of the model in operational environments. <p> When ground control points (GCPs) have an accuracy poorer than 3 m, 20 GCPs over the entire image is a good compromise to obtain a 3- to 4-m accuracy in the bundle adjustment. When GCP accuracy is better than 1 m, 10 GCPs are enough to decrease the bundle adjustment error of either panchromatic or multiband images to 2-3 m. Because GCP residuals reflect the input data errors (map and/or plotting) these errors did not propagate through the 3D parametric model, and the internal accuracy of the geometric model is thus better (around a pixel or less). Quantitative and qualitative evaluations of ortho images were thus performed with either independent check points or overlaid digital vector files. Generally, the measured errors confirmed the predicted errors or even were slightly better, and 2-4 m positioning accuracy was achieved for the ortho images depending upon the elevation accuracy (DEM and grid spacing). To achieve a better final positioning accuracy, such as 1 m, a 1-2 m accurate DEM with fine grid spacing is required in addition to well-defined GCPs with an accuracy of 1 m.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| 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 | 0,001 | 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 tête enseignante, 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 ».