A Four-Component Decomposition Model for PolSAR Data Using Asymmetric Scattering Component
Notice bibliographique
Résumé
This paper describes a polarimetric information extraction method using PolSAR data. The proposed method is based on the covariance matrix and intended to be applicable to the general nonreflection symmetric scattering case that the copolar and cross-polar correlations are not close to zero. Asymmetric scattering term, which can entirely represent the asymmetric information of PolSAR data, is proposed to describe the nonreflection symmetric scattering caused by complicated shape targets or man-made structures in urban areas. Using this asymmetric scattering term, together with surface, double-bounce, and volume scattering terms, the new four-component scattering power decomposition method is then proposed, which can fully utilize all the parameters contained in the PolSAR data. It is found that asymmetric scattering is predominant in urban areas and close to zero in natural distributed areas. Although designed for nonreflection symmetric scattering case, the decomposition method can also deal with the reflection symmetry case, since it automatically becomes Freeman three-component decomposition method in natural areas. The E-SAR L-band full-polarized data acquired over Oberpfaffenhofen area in Germany and the CONVAIR-SAR C-band data acquired over Ottawa area in Canada are applied to validate the proposed decomposition method. The results of the experiments show that the proposed method has better performance than the four-component decomposition model in distinguishing different types of terrains.
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 ».