The potential of InSAR for quantitative surface parameter estimation
Notice bibliographique
Résumé
Although the problems of soil moisture and surface roughness estimation of bare surfaces have been extensively analyzed in terms of conventional polarimetric synthetic aperture radar (SAR) data, the information content of polarimetric interferometric SAR (Pol-InSAR) data regarding surface parameters has not yet been fully investigated. We consider this problem and show that the main contribution to roughness and moisture dependence of coherent surface scattering in Pol-InSAR is the signal-to-noise ratio (SNR). For the estimation of surface parameters, a new hybrid surface scattering model has been developed which is based on the polarization dependence of SNR and its impact on the observed coherences. We show that the model is invertible and allows us to recover surface roughness and moisture estimates from the ratios of measured InSAR coherence. Further, the hybrid model is used for a study of sensitivity analysis. Lastly, we show validation results from experimental Pol-InSAR data from the Deutsche Forschungsanstalt fur Luft-und Raumfahrt (German Aerospace Center (DLR)) E-SAR system at L-band. These results indicate that Pol-InSAR has high potential, to be used as an alternative method, for quantitative moisture and roughness estimates of bare surfaces.
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 ».