Définir l'observation et la décision
La réduction de dimensionnalité compresse les canaux spectraux corrélés en moins de caractéristiques. Il peut améliorer l'efficacité des calculs et certains modèles, mais la variance retenue n'est pas identique à l'information retenue sur la cible. Les petites caractéristiques diagnostiques peuvent expliquer peu de variance globale.
Pour réduire les espaces de fonctionnalités spectrales, 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 pour les espaces spectraux réduits est importante pendant toute 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
Adapter la transformation sur le support de formation et conserver ses paramètres et la cartographie de bande. Comparer les caractéristiques réduites et originales sur la performance cible indépendante. Les canaux bruyants d'écran avant une méthode basée sur la variance leur permettent de dominer.
La préparation à une réduction des espaces de caractéristiques spectrales 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 qui a réduit les espaces de caractéristiques spectrales devrait s'occuper 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
L'intégration de toutes les données permet de faire passer l'information à l'évaluation. Les composants peuvent également refléter l'éclairage ou les artefacts de capteur plutôt que la chimie utile. Une image visuellement attrayante ne permet pas d'établir la séparation des matériaux.
L'examen des espaces de caractéristiques spectrales réduits 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
Pour un minéral rare illustratif, son absorption diagnostique contribue peu à la variance de la scène. Ne conserver que les composants les plus puissants peut supprimer le signal même que le projet doit détecter.
L'exemple de raisonnement pour les espaces spectraux réduits 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
Utiliser des sites retenus et évaluer les omissions spécifiques à la cible et les fausses alarmes. Compte de composants d'essai et stabilité entre les acquisitions. Inspecter les charges et le comportement de reconstruction autour des longueurs d'onde diagnostiques.
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 espaces de caractéristiques spectrales réduits, 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
Offrez la transformation adaptée, les longueurs d'onde d'entrée, les dimensions conservées et les performances indépendantes. La modélisation ITSensing ou Python flux de travail peut être évaluée avec une transformation reproductible appliquée de façon cohérente aux données ultérieures.
La transmission des espaces spectraux réduits devrait rester compréhensible en dehors de l'environnement d'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 réduire les espaces de fonctionnalités spectrales, 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.
