Understanding and Reducing Crater Counting Errors in Citizen Science Data and the Need for Standardisation

要約

市民科学は、現代の高解像度画像における月面衝突クレーターの識別やカウントなど、予備的なデータ処理作業のための一般的なツールとなっている。しかし、このようなデータを利用するためには、市民科学の成果物が理解しやすく、信頼できるものであることが必要です。汚染やデータの欠落はデータセットの有用性を低下させるので、そのような影響を定量化することが重要である。本論文では、新しく開発した定量的パターン認識システム（線形ポアソンモデル）に基づき、市民科学クレーターデータMoonZoo内の汚染レベルを推定する方法を提示する。本論文では、新たに開発した定量的パターン認識システム（線形ポアソンモデル）を用いて、MoonZooの市民科学クレーターデータから汚染の度合いを推定する方法を紹介し、合意したグランドトゥルースを用いて汚染の影響を除去し、再現性の高いクレーター数の推定が可能であることを示す。しかし、データの欠落を修正することは、現在、より困難であることも示されるでしょう。この技術は、アポロ17号サイトのMoonZoo市民科学クレーター注釈と、同じ地域の学部生と専門家の結果でテストされます。

要約(オリジナル)

Citizen science has become a popular tool for preliminary data processing tasks, such as identifying and counting Lunar impact craters in modern high-resolution imagery. However, use of such data requires that citizen science products are understandable and reliable. Contamination and missing data can reduce the usefulness of datasets so it is important that such effects are quantified. This paper presents a method, based upon a newly developed quantitative pattern recognition system (Linear Poisson Models) for estimating levels of contamination within MoonZoo citizen science crater data. Evidence will show that it is possible to remove the effects of contamination, with reference to some agreed upon ground truth, resulting in estimated crater counts which are highly repeatable. However, it will also be shown that correcting for missing data is currently more difficult to achieve. The techniques are tested on MoonZoo citizen science crater annotations from the Apollo 17 site and also undergraduate and expert results from the same region.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL