Spatiotemporal Subpixel Mapping Based on Priori Remote Sensing Image With Variation Differences
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Subpixel mapping (SPM) could handle the mixed pixels in coarse original spectral image (COSI) to obtain the fine land-cover class mapping result. In recent years, with the auxiliary spatiotemporal information provided by the same region fine prior spectral image (FPSI), spatiotemporal subpixel mapping (SSPM) has shown greater potential than the traditional SPM methods. However, the inaccurate spatiotemporal information of the FPSI is rarely effective identified due to variation differences in the current SSPM methods, affecting the mapping accuracy. To address the abovementioned issues, SSPM based on priori remote sensing image with variation differences (CVDBI) is proposed. First, the coarse abundance images of COSI and the fine thematic images of FPSI are obtained by unmixing COSI and classifying FPSI. Second, the degradation observation model (DOM) is established to use downsampling matrix to correlate the coarse abundance images of COSI with the ideal thematic images of COSI, and the variation difference observation model (VDOM) is established to use variation difference factor to correlate the fine thematic images of FPSI with the ideal thematic images of COSI. Third, a separable convex optimization model is established for DOM and VDOM. This model optimizes the variation difference factor and the ideal thematic images of COSI. Finally, we use the alternating direction method of multipliers to solve the separable convex optimization problem to produce the final mapping result. Experimental results on the three spectral images show that the proposed CVDBI yields the more accurate mapping result than the traditional SPM methods.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découle