scholarly journals Nonlinear spectral mixture modeling of lunar multispectral data: Implications for lateral transport

1998 ◽  
Vol 103 (E8) ◽  
pp. 19419-19425 ◽  
Author(s):  
John F. Mustard ◽  
Lin Li ◽  
Guoqi He
Keyword(s):  
Mixture Modeling ◽  
Lateral Transport ◽  
Multispectral Data ◽  
Spectral Mixture

Nonlinear spectral mixture modeling to estimate water-ice abundance of martian regolith

Icarus ◽  
2019 ◽  
Vol 329 ◽  
pp. 79-87 ◽  
Author(s):  
Szilárd Gyalay ◽  
Eldar Z. Noe Dobrea ◽  
Kathryn Chu ◽  
Karly M. Pitman
Keyword(s):  
Mixture Modeling ◽  
Water Ice ◽  
Martian Regolith ◽  
Spectral Mixture

scholarly journals Mapping alpine snow using a spectral mixture modeling technique

1993 ◽  
Vol 17 ◽  
pp. 121-124 ◽  
Author(s):  
Anne W. Nolin ◽  
Jeff Dozier ◽  
Leal A. K. Mertes
Keyword(s):  
Snow Cover ◽  
Sierra Nevada ◽  
Land Surface ◽  
Mixture Modeling ◽  
Modeling Technique ◽  
Imaging Spectrometer ◽  
Snow Covered Area ◽  
Covered Area ◽  
Spectral Mixture ◽  
Spectrometer Data

Remote sensing has provided a means of obtaining estimates of snow-covered area, yet traditional methods have had difficulty mapping snow in shaded and vegetated areas. Spectral mixture analysis is a linear mixture modeling technique that shows promise for mapping land surface covers, particularly when imaging spectrometer data are used. Applying this technique to AVIRIS data collected over the Sierra Nevada, California, we have estimated the fraction of snow cover in each pixel, even in areas that are shaded or forested. This modeling technique enables us to map snow cover at the sub-pixel level and provides a means of estimating the errors associated with the calculation.

scholarly journals Mapping alpine snow using a spectral mixture modeling technique

1993 ◽  
Vol 17 ◽  
pp. 121-124 ◽  
Author(s):  
Anne W. Nolin ◽  
Jeff Dozier ◽  
Leal A. K. Mertes
Keyword(s):  
Snow Cover ◽  
Sierra Nevada ◽  
Land Surface ◽  
Mixture Modeling ◽  
Modeling Technique ◽  
Imaging Spectrometer ◽  
Snow Covered Area ◽  
Covered Area ◽  
Spectral Mixture ◽  
Spectrometer Data

Remote sensing has provided a means of obtaining estimates of snow-covered area, yet traditional methods have had difficulty mapping snow in shaded and vegetated areas. Spectral mixture analysis is a linear mixture modeling technique that shows promise for mapping land surface covers, particularly when imaging spectrometer data are used. Applying this technique to AVIRIS data collected over the Sierra Nevada, California, we have estimated the fraction of snow cover in each pixel, even in areas that are shaded or forested. This modeling technique enables us to map snow cover at the sub-pixel level and provides a means of estimating the errors associated with the calculation.

Die Identifikation früher Veränderungsmuster in der ambulanten Psychotherapie

2007 ◽  
Vol 36 (2) ◽  
pp. 93-104 ◽  
Author(s):  
Wolfgang Lutz ◽  
Niklaus Stulz ◽  
David W. Smart ◽  
Michael J. Lambert
Keyword(s):  
Growth Mixture Modeling ◽  
Mixture Modeling ◽  
Growth Mixture

Zusammenfassung. Theoretischer Hintergrund: Im Rahmen einer patientenorientierten Psychotherapieforschung werden Patientenausgangsmerkmale und Veränderungsmuster in einer frühen Therapiephase genutzt, um Behandlungsergebnisse und Behandlungsdauer vorherzusagen. Fragestellung: Lassen sich in frühen Therapiephasen verschiedene Muster der Veränderung (Verlaufscluster) identifizieren und durch Patientencharakteristika vorhersagen? Erlauben diese Verlaufscluster eine Vorhersage bezüglich Therapieergebnis und -dauer? Methode: Anhand des Growth Mixture Modeling Ansatzes wurden in einer Stichprobe von N = 2206 ambulanten Patienten einer US-amerikanischen Psychotherapieambulanz verschiedene latente Klassen des frühen Therapieverlaufs ermittelt und unter Berücksichtigung unterschiedlicher Patientenausgangscharakteristika als Prädiktoren der frühen Veränderungen mit dem Therapieergebnis und der Therapiedauer in Beziehung gesetzt. Ergebnisse: Für leicht, mittelschwer und schwer beeinträchtigte Patienten konnten je vier unterschiedliche Verlaufscluster mit jeweils spezifischen Prädiktoren identifiziert werden. Die Identifikation der frühen Verlaufsmuster ermöglichte weiterhin eine spezifische Vorhersage für die unterschiedlichen Verlaufscluster bezüglich des Therapieergebnisses und der Therapiedauer. Schlussfolgerungen: Frühe Psychotherapieverlaufsmuster können einen Beitrag zu einer frühzeitigen Identifikation günstiger sowie ungünstiger Therapieverläufe leisten.

Sign in / Sign up

Export Citation Format

Share Document