SRIX4VEG: Surface Reflectance Intercomparison Exercise for Vegetation - NRC, ARSL, NEO
Notice bibliographique
Résumé
Over the last ten years, the Applied Remote Sensing Laboratory (ARSL, McGill University) in collaboration with the National Research Council of Canada's Flight Research Laboratory (FRL), has been implementing cutting-edge unmanned aerial vehicle (UAV) hyperspectral systems for diverse applications (e.g., biodiversity, subaquatic vegetation, wildfires), with a significant focus on satellite product validation methodologies for northern ecosystems – e.g. peatlands. SRIX4Veg is endorsed by CEOS (Committee on Earth Observation Satellites) and is funded by the European Space Agency (ESA). The ARSL, FRL and Norsk Elektro Optikk HySpex teamed up to participate in the SRIX4VEG: Surface Reflectance Intercomparison Exercise for Vegetation experiment, at the Las Tiesas Experimental Station, Barrax, Spain. This intercomparison experiment included teams from Europe, US and Canada, aiming to develop a protocol for best practices for UAV hyperspectral image acquisition for satellite land product validation within ESA’s Fiducial Reference Measurements for Vegetation (FRM4VEG) project. Here we summarize the imagery acquired by our team during the field campaign at the July 18-22, 2022 field campaign. Meta data includes a description of the imagery acquired under the user-defined methodology. A future update will include metadata for the imagery acquired under the common experiment parameters defined by the organizers.
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 | 0,014 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,011 |
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 ».