観察と決定を定義する
リニアアンミックスモデルは、エンドメンバースペクトの重みのある組み合わせとしてピクセルスペクトルをモデル化します。 選択したモデルとサポートを、保証された物理的なカバーではなく記述します。 リニアミキシングが適切な近似であるかは、その解釈に依存します。
分光混合分数の推定のために、正確な質問から始めて下さい。 ソフトウェア設定を比較する前に決定と数量をステータスします。 結果、それらを認識する地理単位および証拠が検査または分析を変更するかどうかを識別します。 ターゲット条件と代替説明を書いてください。 実際の観察が質問に答えることができるかどうかを判断できる。 出力が異なる意味でプロキシを表すとき、細かい地図は十分ではありません。 短期的な前提条件を保持するので、後ほどの審査者は測定された入力、モデルの選択および解釈を区別できます。
方法へのデータサポートの一致
分光混合分光測定基準は、解釈全体で問題が推定されます。 イメージング分光法は、スペクトル構造を証拠として使用しているため、波長のアイデンティティと信号の品質は基本的です。 チャネルセンター、帯域幅、センサー応答、および処理レベルを保持するだけでなく、キューブをバンドの匿名コレクションとして扱う。 測定されたスペクトル範囲および空間サポートにターゲットの予想される診断特徴に一致して下さい。 実験室のスペクトル、分野スペクトルおよび軌道ピクセルは混合物、照明、湿気および大気のために異なる場合があります。 分析は、観察がサポートできるものと異なる状態を述べ、材料や条件を競合させることで、同様のシグネチャを生成できるかを判断する必要があります。
トレーサブルな解析を準備する
ネイティブのローカルの分散性や、非負の分数や合計から1までのドキュメント制約を表すエンドメンバーを選択します。 対応波長や品質審査を併用します。 残留物を保持し、モデルが失敗した場所を検査します。
分光混合物の分数推定のための準備は、次の証拠を保存する必要があります。 モデルを取り付けるか、ライブラリを比較する前に、スペクトル品質を調べます。 文書化された修正およびバンド スクリーンの規則を適用し、波長の順序を保ち、取られたチャネルを記録して下さい。 適切なセンサー応答を通したリサンプル参照スペクトが可能。 補間がスペクトル情報を改善することを前方にとどまらずに空間層を合わせます。 独自のスペクトラと残留物を保持し、連続除去や混入などの変換を見直します。 トレーニングサポートに関する統計処理のみに適合し、保持された変換を評価および後続データに適用します。 波長やバンドの注文が異なる場合、マッチング配列の長さは不十分です。
代表的なパイロットをテストする
分光混合分光推定のためのパイロットは、実際の受信ワークフローに対処すべきです。 通常の条件と難易度例外を含む代表的なパイロットから始まります。 関連する境界、混合された表面、欠落観察および既知の参照の場所を含んで下さい。 ソースメタデータと一緒に、手動でチェックした数値例をいくつか保存します。 結果と独立した読者や実用的な計算と比較します。 パイロットは、正しい式が間違ったユニット、バンドオーダー、または妥当性処理によって支配される可能性があるため、輸出を通じてソース選択からの完全なパスをテストする必要があります。 パイロットが理解したら、後方修正の参考として保持します。
トピック固有の解釈リスクを認識
エンドメンバーは、未関連素材を利用できる分数に強制することができます。 分光分散性および非線形相互作用は、仮定を侵害することができます。 残留率が低いが、正しい材料の分数を単独で確立しない。
分光混合物の分数推定のレビューは、計算が完了した後続行する必要があります。 独立した参照と可塑性のコンファウンダーを使用してスペクトル解釈を評価します。 類似点スコア、混合分数、異常または特性予測は独自の仮定を持ち、決定的な材料のアイデンティティの名前を変更すべきではありません。 競合するマッチ、残留物、および感度を事前処理またはライブラリの選択に見直します。 再発使用が意図されている場合、サイトと取得条件を横断してテスト転送を行います。 ピクセルごとに異なるラベルを強制するのではなく、未知のケースと弱点例を含める。 表面カバーや測定ノイズが有用な結論を防ぐ場所を説明します。 適切なスペクトルの細部はタスクを改善できますが、独立した性能の証拠だけは改善を実証します。
イラストの一例を通した作業
構造的な土壌植生混合物のために、未加工の屋根材は、2つの選択したエンドマンムの組み合わせとして表されることがあります。 可視性見える分数は、数値的な溶液が収束しても誤っても問題になる可能性があります。
分光混合分数推定の推論例は、意図的に限られた役割を持っています。 本記事の一例は、イラストであり、報告されたプロジェクト結果、精度要求、パフォーマンス保証ではありません。 運用上の理由をつかまえて、測定したプロジェクト値で仮定を置換します。 単位、観察日および関連するデノミネーターを目に見える保ちます。 合理的な代替マスク、参照またはパラメータが決定を変更する場合、感度を報告し、実用的な証拠を得る。 異常な場所は、観察されたものの不確実性を解決しません。 最も説得力のある物語を生成するパラメータを選択することではなく、未解決のケースを明示的に保持します。
独立した証拠に対する評価
独立した僅かカバーか物質的な観察と互換性のあるサポートと比較して下さい。 代替エンドポイントセットをテストし、残りのパターンを検査します。 不当な精度で分数を報告するのではなく、不確実性を評価します。
独立した評価は、結果が利用される母集団や地域、その条件を代表する必要があります。パラメータ選択やモデル訓練に使う観測と、性能評価に使う観測を分けてください。明確な対象だけでなく、判別が難しい非対象例も含め、欠測または観測不能な領域の情報を保持します。参照データの時刻と空間的な観測範囲は、実行可能な限り一致させます。不一致が生じた場合は、解析と参照証拠の両方を調べてください。参照測定にも不確かさがあるため、地図に無理に合わせることは妥当な修正方法ではありません。
有用なスケールで不確実性を報告する
分光混合物の分数推定のために、結果は実証済みのスコープを保持しなければなりません。 意図した決定のスケールで不確実性を見直します。 ピクセル間隔、有効なセンサー サポート、処理の近傍および管理の単位は実質的に異なる場合があります。 再サンプルされたピクセルは、多くの独立した観察を生成しません。 エリアの要約のために、有効なカバレッジと除外を保存します。候補機能では、検出の自信とソースの日付を保存します。 証拠が許可するローカルの変化から別の系統的な効果。 小さな平均誤差は、まれなクラス、特定の材料または代表的な領域で、結果的な偏差を除外しません。 評価で示したスコープを報告する。
使用可能な GIS および分析の証拠を提供して下さい
エンドメンバーの実証、制約、分数、残留およびモデルスコープを配信します。 ITSensingは、準備された機能解析やカスタムモデリングのために評価することができ、非混合仮定の明示的。
分光混合分光推定のためのハンドオーバーは、許可環境の外側に理解できるままである必要があります。 関連する地理空間データと簡潔なデータ辞書とともにアクセス可能な概要を配信します。 安定した識別子、ソース参照、観察日、処理バージョン、調整基準および品質フィールドを保持します。 未知の領域と、例外レジスタで次の有用なチェックを記述します。 受取アナリストにサンプル項目を見つけるよう依頼し、証拠を特定し、その制限を解釈します。 実用的なレビューは、ファイルインテグレーションチェックが検出できない状態を明らかにすることができます。 変更の理由を保存し、後で変更した方法は新しい観察や変更方法に追跡することができます。
ITSensing ワークフローを実入で評価
スペクトル混合物の分数推定のためのクラウドリモートセンシングソフトウェアを評価する場合、文書化されたパイロットを使用してください。 製品の比較を使用して、代表的なデータで完全なワークフローをテストします。 ITSensingは、衛星発見、ラスターおよびスペクトル分析のためのクラウドワークスペースを提示します, 機械学習, GeoAI, モデル構築とPythonベースの作業. これら広範な機能は、ここに記述するすべての専門的方法がネイティブボタンであるか、またはすべての外部サービスが直接接続することを確立しません。 実際の文書化されたツール、サポートされた入力およびエクスポートパスを確認してください。 パイロット証拠と独立した検証を保持し、再発ワークフローを選択する前に。 製品リンクは評価のエントリーポイントであり、科学的解釈はデータとメソッドに縛られたままです。
