MétaCan
Menu
Retour à la cohorte
Enregistrement W4408970861 · doi:10.1109/jstars.2025.3555925

Automated Collection Planning for Civilian and Commercial Satellite Imagery, and Definition and Exploitation of the Collection Asset Specification Data Structure

2025· article· en· W4408970861 sur OpenAlexaff
Jeff Secker, Katerina Biron, Dany Dessureault, Pierre Lamontagne, Rodney Rear

Notice bibliographique

RevueIEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueImage Processing and 3D Reconstruction
Établissements canadiensDepartment of National DefenceDefence Research and Development Canada
Organismes subventionnairesnon disponible
Mots-clésData collectionComputer scienceAsset (computer security)SatelliteSatellite broadcastingRemote sensingComputer securityEngineeringGeology

Résumé

récupéré en direct d'OpenAlex

There are more than 8000 traditional and small/microsatellites in low Earth orbit (LEO) and many of these are civilian and commercial satellites for remote sensing and space-based intelligence, surveillance and reconnaissance (ISR). Collection planning is the first step in the tasking, collection, processing, exploitation, and dissemination (TCPED) process and is required to choose the collection assets (satellites), instrument modes, and orbital passes that best match the collection task. Collection planning requires understanding and experience with: requirements; satellite and instrument phenomenologies, and capabilities; collection strategies; and data processing and exploitation methodologies. Given this, it is challenging for collection managers to make the best use of available satellites in the time available, and they would benefit from automation in the collection planning processes and systems. This article defines and describes collection planning terminology, notation, and processes. It defines new metrics for assessing the temporal coverage (completeness and density of collection opportunities along the time axis), and it describes six semiautomated tools and their underlying algorithms. These can be used by a collection manager to automate elements of the collection planning process, and they can be used for machine-to-machine communication using web services, thereby decreasing the total time required. This machine-to-machine communication permits the collection planning process to be completed in seconds instead of minutes or hours, time which can be critical for dynamic tasking such as tip and cue or last-minute retasking situations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0020,002
Communication savante0,0040,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,275
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Journal of Selected Topics in Applied Earth Observations and Remote SensingMême sujetImage Processing and 3D ReconstructionTravaux en français237 207