Hyperspectral feature spaces are useful for many remote sensing applications ranging from spectral mixture modeling to discrete thematic classification. In such cases, characterization of the feature space dimensionality, geometry and topology can provide guidance for effective model design. The objective of this study is to compare and contrast two approaches for identifying feature space basis vectors via dimensionality reduction. These approaches can be combined to render a joint characterization that reveals spectral properties not apparent using either approach alone. We use a diverse collection of AVIRIS-NG reflectance spectra of the snow-firn-ice continuum to illustrate the utility of joint characterization and identify physical properties inferred from the spectra. Spectral feature spaces combining principal components (PCs) and t-distributed Stochastic Neighbor Embeddings (t-SNEs) provide physically interpretable dimensions representing the global (PC) structure of cryospheric reflectance properties and local (t-SNE) manifold structures revealing clustering not resolved in the global continuum. Joint characterization reveals distinct continua for snow-firn gradients on different parts of the Greenland Ice Sheet and multiple clusters of ice reflectance properties common to both glacier and sea ice in different locations. Clustering revealed in t-SNE feature spaces, and extended to the joint characterization, distinguishes differences in spectral curvature specific to location within the snow accumulation zone, and BRDF effects related to view geometry. The ability of PC+t-SNE joint characterization to produce a physically interpretable spectral feature spaces revealing global topology while preserving local manifold structures suggests that this characterization might be extended to the much higher dimensional hyperspectral feature space of all terrestrial land cover.


翻译:超光谱特征空间可用于从光谱混合物建模到离散专题分类等许多遥感应用,从光谱混合物建模到离散专题分类,在这些情况下,对地貌空间维度、几何学和地形学特征的定性可以为有效的模型设计提供指导。本研究的目的是比较和对比两种方法,以通过减少维度来识别地貌基向量矢量的地貌矢量。这些方法可以结合起来,使共同特征能够显示光谱特性,而光谱特性仅使用两种方法都不明显。我们使用不同系列的“AVIRIS-NG”反射自雪-纤维-冰层连续的光谱谱谱谱谱谱谱谱谱,以说明从光谱中推断出的联合地貌特征和物理特性的物理特性。 将主要组成部分(PC)和T-SDBE(t-SNEE)相交集的地貌和多层地貌地貌地貌结构的地貌结构地貌和地表层的地貌、地貌和多层的地表层的地貌、地貌、地貌、地表层的地貌、地貌、地貌和地表层的地貌的地貌、地貌、地貌的地貌、地貌、地貌、地貌的地貌、地貌、地貌的地貌、地貌、地貌的地貌、地貌、地貌、地貌、地貌的地貌的地貌的地貌、地貌的地貌的地貌的地貌的地貌的地貌、地貌的地貌的地貌的地貌的地貌的地貌、和地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌、和地貌、和地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌、和地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的地貌的

0
下载
关闭预览

相关内容

ICML 2021论文收录
专知会员服务
122+阅读 · 2021年5月8日
专知会员服务
25+阅读 · 2021年4月2日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人脸表情分类与识别:人脸检测+情绪分类
北京思腾合力科技有限公司
27+阅读 · 2017年12月18日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2022年2月3日
Arxiv
0+阅读 · 2022年2月1日
Arxiv
9+阅读 · 2021年6月21日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关资讯
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人脸表情分类与识别:人脸检测+情绪分类
北京思腾合力科技有限公司
27+阅读 · 2017年12月18日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员