観察と決定を定義する
スペクトル角度のマッパーはスペクトルベクトル間の角度を比較します。 ベクトルの大きさに相対的にスペクトル形状を強調します。 小さな角度は、その表現の類似性を示すだけでなく、ピクセルが参照材料だけを含んでいるという証拠を示す。
スペクトル角の類似性地図については、正確な質問から始めます。 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
スペクトル角度の類似性地図の測定基礎は、解釈を通して重要である。 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
対応する反射バンドとリサンプル参照スペクトをセンサーに準備します。 不適切なチャネルを除外し、候補素材を定義します。 しきい値を評価し、すべてのピクセルを強制的なアイデンティティに割り当てるのではなく、最も近い競争の試合を保持します。
スペクトル角の類似性マップの準備は、次の証拠を保持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
スペクトル角度の類似性地図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る必要があります。 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
大気残留物、混合物およびスペクトル騒音は角度を変えることができます。 同様の材料は、不可解なままにすることができ、暗色のノイズピクセルは、不安定な結果をもたらすことができます。 明るさの差異的な比較は、すべての照明効果を除去しません。
スペクトル角類似性マップのレビューは、計算が完了した後に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
最良の角度が2つの鉱物の参照に近いイラスト画を想像してみてください。 勝った名前だけを報告すると、曖昧さが隠されます。 候補者や未知のクラスは、より正直に証拠を伝えることができます。
スペクトル角度の類似性地図の推論例は、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
独立した参照の場所および可塑性の調和材料を使用して下さい。 クラス固有のエラーとしきい値感を評価します。 明るさと混合条件で性能をチェックします。
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
スペクトル角の類似性マップでは、その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
スペクトル準備、参照ライブラリ、しきい値、競合の証拠をエクスポートします。 ITSensingは、利用可能なマルチバンドまたはカスタムワークフローによる評価をサポートし、最終アイデンティティは独立した検証の対象となります。
スペクトル角の類似性地図のハンドオーバーは、作者の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
スペクトル角度の類似性地図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ます。 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。