Novel Model-Based Method for Identification of Scattering Mechanisms in Polarimetric SAR Data
Notice bibliographique
Résumé
One basic issue of importance in polarimetric synthetic aperture radar (SAR) imagery is the identification and separation of target scattering mechanisms. Physical scattering behaviors can be characterized by polarimetric parameters from the second-order statistical observables. The average copolarization phase difference, amplitude ratio, and target coherence are important fundamental parameters for identifying scattering mechanisms. However, the individual usages of these parameters could not describe both the scattering mechanisms and the depolarization. In this paper, a new approach is proposed for scattering characterization by exploring the information contained in these three parameters. First, by assuming reflection symmetry, a new parameter is proposed for the first time to measure the scattering randomness. Then, in combination with the scattering ratio (defined by the ratio of T <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">22</sub> + T <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">33</sub> to T <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">11</sub> ), a classification plane is proposed to classify target scattering mechanisms. A validation test for this new approach is performed with three RADARSAT-2 polarimetric data sets acquired over two study areas: the San Francisco Bay area and Fuzhou, China. Results show that the new approach is very promising for distinguishing orientated targets (with respect to the radar azimuth direction) in urban areas from natural scatterers such as forests, and it also shows that the new method is robust for analyzing multitemporal polarimetric SAR data.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».