Définir l'observation et la décision
Un membre final est un spectre de référence utilisé pour décrire un composant d'un modèle spectral. Les matériaux réels varient en fonction de l'humidité, de la taille du grain, de l'éclairage et de la composition. Un spectre unique idéal ne représente peut-être pas la gamme présente dans un paysage.
Pour les bibliothèques spectrales des membres finaux, commencez par une question précise. Indiquer la décision et la quantité avant de comparer les paramètres du logiciel. Déterminer qui utilisera le résultat, les unités géographiques qu'ils reconnaissent et les éléments probants qui modifieraient une inspection ou une analyse. Écrire l'état de la cible et des explications alternatives plausibles. Cela permet de juger si la méthode d'observation réelle peut répondre à la question. Une carte de finesse n'est pas suffisante lorsque la sortie représente un proxy avec une signification différente. Conserver un registre des hypothèses courtes afin que les évaluateurs plus tard puissent distinguer les intrants mesurés, les choix de modèles et l'interprétation.
Correspond au support des données à la méthode
La base de mesure des bibliothèques spectrales des membres finaux est importante tout au long de l'interprétation. La spectroscopie par imagerie utilise la structure spectrale comme preuve, de sorte que l'identité de longueur d'onde et la qualité du signal sont fondamentales. Conserver les centres de canaux, les bandes passantes, la réponse des capteurs et le niveau de traitement plutôt que de traiter le cube comme une collection anonyme de bandes. Correspond à la fonction diagnostique attendue de la cible à la plage spectrale mesurée et au support spatial. Un spectre de laboratoire, un spectre de champ et un pixel orbital peuvent différer en raison des mélanges, de l'éclairage, de l 'humidité et de l'atmosphère. L'analyse devrait indiquer quelle distinction les observations pourraient être fondées et quels matériaux ou conditions concurrents pourraient produire une signature similaire.
Préparer une analyse traçable
Sélectionnez des références à l'aide de données sur le terrain, en laboratoire ou soigneusement examinées. Enregistrer la provenance et la réponse du capteur de correspondance. Inclure des variantes plausibles et des matériaux concurrents, puis évaluer si l'ensemble s'étend sur l'espace spectral observé.
La préparation des bibliothèques spectrales des membres finaux devrait préserver les preuves suivantes. Inspecter la qualité spectrale avant de mettre un modèle ou de comparer une bibliothèque. Appliquer les règles documentées de correction et de screening de bande, préserver l'ordre des longueurs d'onde et enregistrer chaque canal enlevé. Résamplez les spectres de référence par une réponse appropriée du capteur, si possible. Alignez les couches spatiales sans prétendre que l'interpolation améliore l'information spectrale. Conserver les spectres et les résidus originaux pour examiner des transformations telles que l'élimination continue ou le démixage. S'adapter au prétraitement statistique uniquement sur le support de formation et appliquer la transformation conservée de façon cohérente à l'évaluation et aux données ultérieures. Une longueur de tableau correspondante est insuffisante lorsque la longueur d'onde ou l'ordre de bande diffère.
Essai d'un pilote représentatif
Un pilote pour les bibliothèques spectrales des membres finaux devrait traiter de la réception réelle flux de travail. Commencez par un pilote représentatif qui contient des conditions ordinaires et des exceptions difficiles. Inclure les limites pertinentes, les surfaces mixtes, les observations manquantes et les emplacements de référence connus. Enregistrez quelques exemples numériques vérifiés manuellement en même temps que les métadonnées sources. Comparez le résultat avec un lecteur indépendant ou un calcul lorsque cela est pratique. Le pilote doit tester le parcours complet de la sélection de la source à l'exportation, car une formule correcte peut encore être minée par des unités erronées, un ordre de bande ou une manipulation de validité. Une fois que le pilote a été compris, conservez-le comme référence pour les révisions ultérieures.
Reconnaître les risques d'interprétation spécifiques à un sujet donné
Les pixels automatiquement extrêmes peuvent être le bruit, le nuage ou les limites mixtes plutôt que des matériaux purs. Choisir les membres finaux après avoir visionné les résultats souhaités peut biaiser l'interprétation. Un nom de bibliothèque ne prouve pas que la référence se produit localement.
L'examen des bibliothèques spectrales des membres finals devrait se poursuivre après la fin du calcul. Évaluer l'interprétation spectrale à l'aide de références indépendantes et de confondateurs plausibles. Une note de similitude, une fraction de mélange, une anomalie ou une prédiction de caractères ont leurs propres hypothèses et ne devraient pas être rebaptisées une identité matérielle définitive. Examiner les matchs concurrents, les résidus et la sensibilité au prétraitement ou au choix de la bibliothèque. Tester le transfert entre les sites et les conditions d'acquisition si une utilisation récurrente est prévue. Inclure des cas inconnus et faiblement marqués plutôt que de forcer chaque pixel à se faire une étiquette sûre. Expliquer où le bruit de surface ou de mesure empêche une conclusion utile. Des détails spectraux appropriés peuvent améliorer une tâche, mais seule la preuve d'une performance indépendante démontre cette amélioration.
Travail à travers un exemple illustratif
Imaginez une référence de sol sec illustrative appliquée après les précipitations. Son inadéquation peut être absorbée par la végétation ou les fractions d'ombre, ce qui entraîne un faux changement de couverture. Des références de l'humidité-aware ou un modèle différent peuvent être nécessaires.
L'exemple de raisonnement pour les bibliothèques spectrales de membres finals a un rôle délibérément limité. L'exemple de cet article est illustratif et n'est pas un résultat du projet, une demande d'exactitude ou une garantie de performance. Remplacer ses hypothèses par des valeurs mesurées du projet avant d'utiliser le raisonnement de façon opérationnelle. Conserver les unités, les dates d'observation et le dénominateur pertinent visible. Si un masque, une référence ou un paramètre de rechange raisonnable modifie la décision, signalez cette sensibilité et obtenez de meilleures preuves lorsque cela est pratique. Les décimales supplémentaires ne résolvent pas l'incertitude dans ce qui a été observé. Conserver les cas non résolus explicitement au lieu de sélectionner le paramètre qui produit le plus persuasif narratif.
Évaluer à l'aide de preuves indépendantes
Vérifier les références des candidats en fonction des échantillons indépendants et des conditions d'acquisition. Examiner les résidus spectraux et la sensibilité aux choix de bibliothèque. Tenir les zones pour déterminer si la bibliothèque transfère.
L’évaluation indépendante doit représenter la population et les conditions d’utilisation du résultat. Séparez les observations servant au choix des paramètres ou à l’apprentissage du modèle de celles utilisées pour évaluer ses performances. Incluez des cas difficiles ne correspondant pas à la cible, ainsi que des cibles évidentes, et conservez les informations sur les zones sans données ou non observables. Faites correspondre au mieux la date et le support spatial de la référence. En cas de désaccord, examinez l’analyse et les preuves de référence. Celles-ci peuvent aussi être incertaines : les forcer à correspondre à la carte ne constitue pas une correction valable.
Signaler l'incertitude à l'échelle utile
Pour les bibliothèques spectrales de membres finaux, un résultat doit conserver sa portée démontrée. Examiner l'incertitude à l'échelle de la décision prévue. L'espacement des pixels, le support efficace des capteurs, les quartiers de traitement et les unités de gestion peuvent différer considérablement. De nombreux pixels rééchantillonnés ne créent pas beaucoup d'observations indépendantes. Pour un résumé de zone, conservez la couverture valide et les exclusions; pour une caractéristique candidate, conservez l'assurance de détection et la date de la source. Séparer les effets systématiques des variations locales lorsque les preuves le permettent. Une petite erreur moyenne n'exclut pas un biais corrélatif dans une catégorie rare, un matériau particulier ou une région sous-représentée. Indiquer la portée de l'évaluation.
Fournir des données utiles GIS et des analyses
Publier l'ensemble de référence, les variantes spectrales, la procédure de sélection et l'incertitude. ITSensing peut aider à organiser des preuves multibandes, tandis que l'adéquation des membres finaux doit être établie pour le capteur et le paysage réel.
La transmission des bibliothèques spectrales devrait rester compréhensible en dehors de l'environnement auteur. Fournir un aperçu accessible, ainsi que les données géospatiales pertinentes et un dictionnaire de données concis. Conserver des identifiants stables, des références sources, des dates d'observation, une version de traitement, des champs de référence de coordonnées et de qualité. Expliquer les zones inconnues et la prochaine vérification utile dans un registre d'exception. Demandez à l'analyste qui reçoit un échantillon de trouver un échantillon, d'en identifier les preuves et d'interpréter ses limites. Cette revue pratique peut révéler un contexte manquant qu'un contrôle d'intégrité de fichier ne peut pas détecter. Préservez la raison des révisions afin qu'un changement ultérieur puisse être attribué à de nouvelles observations ou à une méthode modifiée.
Évaluer le ITSensing flux de travail avec des entrées réelles
Pour évaluer le logiciel Cloud télédétection pour les bibliothèques spectrales des membres finaux, utilisez un pilote documenté. Utilisez la comparaison de produit pour tester un flux de travail complet avec des données représentatives. ITSensing présente un espace de travail en nuage pour la découverte par satellite, l'analyse raster et spectrale, apprentissage automatique, GeoAI, le modèle de construction et le travail basé sur Python. Ces capacités générales n'établissent pas que chaque méthode spécialisée décrite ici est un bouton natif ou que chaque service externe se connecte directement. Vérifiez l'outil documenté réel, l'entrée prise en charge et le chemin d'exportation. Conserver les preuves du pilote et la validation indépendante avant de choisir un flux de travail. Un lien produit est un point d'entrée pour l'évaluation, tandis que l'interprétation scientifique reste liée aux données et à la méthode.
