A New Method for Land Cover Characterization and Classification of Polarimetric SAR Data Using Polarimetric Signatures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Conventional methods for analyzing polarimetric synthetic aperture RADAR (PolSAR) data such as scattering matrix show polarimetric information just in a restricted number of polarization bases, whereas backscattering of the targets has information on wide range of polarizations. In order to solve this problem, polarimetric signatures have been investigated to have a better illustration of the target responses. Polarimetric signatures depict more details of physical information from target backscattering in various polarization bases. This paper presents a new method for generating polarimetric signatures for different features in PolSAR data by changing the polarization basis in the covariance matrix. Furthermore, various land cover classes were evaluated using their polarimetric signatures and the pattern recognition matching methods. On the basis of this background, an object-oriented and knowledge-based classification algorithm is proposed. The main idea of this method is to apply polarimetric signatures of various PolSAR features in the land cover classification. A Radarsat-2 image, acquired in leaf-off season of the forest areas, was chosen for this study. The backscattering from different classes, including six land cover classes: 1) red oak (Or); 2) white pine (Pw); 3) black spruce (Sb); 4) urban (Ur); 5) water (Wa); and 6) ground vegetation (GV) was analyzed by the proposed method. The results reported that the polarimetric signatures of PolSAR features introduce new concepts for the various targets which are different from the polarimetric power signatures. Also, the proposed classification was compared with the object-based form of the supervised Wishart classification as the baseline method. The mean accuracy of the proposed method is 6% better than the supervised Wishart classification.
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.
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 | 0,001 |
| 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 découle