Spatial Adaptive Speckle Filtering Driven by Temporal Polarimetric Statistics and Its Application to PSI
Notice bibliographique
Résumé
Persistent scatterer (PS) interferometry (PSI) techniques are designed to measure ground deformations using satellite synthetic aperture radar (SAR) data. They rely on the identification of pixels not severely affected by spatial or temporal decorrelation, which, in general, correspond to pointlike PSs commonly found in urban areas. However, in urban areas, we can find not only PSs but also distributed scatterers (DSs) whose phase information may be exploited for PSI applications. Estimation of DS parameters requires speckle filtering to be applied to the complex SAR data, but conventional speckle filtering approaches tend to mask PS information due to spatial averaging. In the context of single-polarization PSI, adaptive speckle filtering strategies based on the exploitation of amplitude temporal statistics have been proposed, which seek to avoid spatial filtering on nonhomogeneous areas. Given the growing interest on polarimetric PSI techniques, i.e., those using polarimetric diversity to increase performance over conventional single-polarization PSI, in this paper, we propose an adaptive spatial filter driven by polarimetric temporal statistics, rather than single-polarization amplitudes. The proposed approach is able to filter DS while preserving PS information. In addition, a new methodology for the joint processing of PS and DS in the context of PSI is introduced. The technique has been tested for two different urban data sets: 41 dual-polarization TerraSAR-X images of Murcia (Spain) and 31 full-polarization Radarsat-2 images of Barcelona (Spain). Results show an important improvement in terms of number of pixels with valid deformation information, hence denser area coverage.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».