Effects of incidence angles on mapping accuracy of surficial materials in the Umiujalik Lake area, Nunavut, using RADARSAT-2 polarimetric SAR images. Part 2. Polarimetric analysis
Notice bibliographique
Résumé
Our study assesses the effect of incidence angle on classifications obtained using various polarimetric classifiers applied to polarimetric RADARSAT-2 synthetic aperature radar (SAR) images for mapping surficial materials in Arctic Canada. The RADARSAT-2 polarimetric SAR images were acquired over the Umiujalik Lake test area of Nunavut in three west-looking descending beam modes (FQ1, FQ12, and FQ20) with increasing respective incidence angles. Polarimetric analyses included computation of polarimetric signatures, Wishart supervised classification, as well as Wishart–H/, Wishart–H//A, and Freeman–Wishart unsupervised classifications. Polarimetric signatures helped to understand class separability as a function of the scattering mechanisms of the surficial materials considered in this study. The medium incidence angle (FQ12) image produced the best overall classification accuracy (48.7%) for the Wishart supervised classification. In general, the Freeman–Wishart unsupervised classification produced better areal distribution of surficial materials with the FQ12 and FQ20 images than with the steep angle FQ1 image. More sophisticated classification algorithms are required to combine the multibeam RADARSAT-2 polarimetric SAR images with other geospatial data such as optical images and digital elevation model data. The influences of variable environmental conditions (moisture and temperature) on mapping accuracy of surficial materials also require further research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».