Revue Des Méthodes De Prétraitement Des Données D’imagerie Hyperspectrale Acquises Depuis Un Drone
Bibliographic record
Abstract
Les systèmes aériens sans pilote, appelés encore drones, se présentent comme une nouvelle tendance dans le domaine de la télédétection et connaissent un essor sans précédent dans le domaine civil depuis le début de la dernière décennie. Ces systèmes permettent de combler plusieurs lacunes de la télédétection aéroportée. En effet, contrairement aux avions, les drones se caractérisent par une facilité et une rapidité de mise en oeuvre, et par l’acquisition d’images à très haute résolution spatiale. Ce mode d’acquisition à coûts d’opération très réduits offre également des vols à basses altitudes réduisant ainsi les nuisances atmosphériques et l’effet des nuages fréquemment présents dans les acquisitions aéroportées. Les drones sont utilisés en combinaison avec différents capteurs imageurs. Les capteurs hyperspectraux montés sur ce type de plateforme figurent parmi les solutions en émergence. Comme toute donnée de télédétection, les données d’imagerie hyperspectrale acquises depuis un drone doivent être corrigées des différentes distorsions et dégradations avant de pouvoir être exploitées. L’utilisation du drone est encore en phase d’exploration et n’a pas encore atteint sa maturité notamment lorsqu’il est combiné avec un capteur hyperspectral. En effet, peu de travaux ont été consacrés à l’étude de ce système et de ses capacités. Cet article propose de passer en revue les différents types de distorsion affectant les données hyperspectrales acquises depuis un drone ainsi que les prétraitements à mettre en oeuvre pour les corriger.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.019 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.006 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".