Sub-Pixel Mapping of Spectral Imagery Based on Deviation Information Measurement
Notice bibliographique
Résumé
Sub-pixel mapping (SPM) technology can analyze mixed pixels in spectral image and realize the transformation from abundance images to a fine sub-pixel classification image. Since the SPM belongs to an ill-posed issue, deviation information (DI) inevitably is in optimal abundance images. Due to simple structure and good robustness, most SPM approaches are according to the spatial dependence assumption; namely, the closer the spatial distance is, the more likely the subpixels belong to the same class. However, the existing SPM methods based on spatial dependence assumption cannot accurately measure the DI, which affects the accuracy of the final mapping result. To address this problem, the SPM based on DI measurement (DIM) is proposed in this work. The DIM uses a dual-scale spatial attraction model (DSAM) to process the coarse abundance images to obtain predicted abundance images. The fine prior images captured at different times from the same field of view are used to measure the deviation abundance images with the DI using a geographically weighted regression (GWR) model. The predicted abundance images and deviation abundance images are fused to derive optimal abundance images. Based on the proportion information on sub-pixels being classes in the optimal abundance images, the class labels are assigned to sub-pixels by label allocation method, yielding the final mapping result. The proposed DIM method is tested on National Land-cover Dataset, Rome Dataset, and Bastrop Fires dataset. The experimental results verify that the proposed DIM achieves the best performance with the overall accuracy of 97.26%, 88.15%, and 99.80% in the three experimental results.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».