The Utility of RGB Color for Discrimination of Lunar Maturity and Composition
Notice bibliographique
Résumé
Abstract We explore the extent to which red‐green‐blue (RGB) color images, such as those produced by a complementary metal oxide semiconductor (CMOS) Bayer‐filter camera, can be utilized for studying the maturity and composition of the lunar surface. RGB filters typically are quite broad, with considerable overlap among the three colors. Convolution of laboratory spectra for lunar samples to the RGB responsivities of the Chang'E‐3 rover's Panoramic Camera allowed determination of the correlations between color ratios (B/R, B/G, and G/R) and the sample maturity (I s /FeO) or composition (wt.% FeO or TiO 2 ). In general, color ratios decrease as I s /FeO increases. When separate sample categories are considered, we find that the B/R ratio is a good predictor of I s /FeO for low‐Ti mare, low‐Fe highland, and moderate‐Fe highland soils. For high‐Ti mare soils, I s /FeO has little influence on the B/R ratio (due to the spectral effects of abundant ilmenite), and hence the ratio cannot be used to determine maturity. We also find that color ratios have no useful correlation with sample wt.% FeO or TiO 2 . Thus, in locations excluding the high‐Ti maria, RGB color data could be used to estimate soil maturity. We outline a concept for a multispectral imager based on a CMOS sensor with a Bayer‐like pattern of custom‐wavelength filters chosen specifically for lunar science applications.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».