MétaCan
Menu
Retour à la cohorte
Enregistrement W2099268550 · doi:10.1109/lgrs.2010.2048695

Interferometric SAR Extended Coherence Calculation Based on Fractional Lower Order Statistics

2010· article· en· W2099268550 sur OpenAlexaff
Yong Bian, Bryan Mercer

Notice bibliographique

RevueIEEE Geoscience and Remote Sensing Letters · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueSynthetic Aperture Radar (SAR) Applications and Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésCoherence (philosophical gambling strategy)Synthetic aperture radarInterferometric synthetic aperture radarInterferometryGaussianCoherence timeRemote sensingComputer sciencePolarimetryStatisticsMathematicsArtificial intelligenceOpticsPhysicsGeologyScattering

Résumé

récupéré en direct d'OpenAlex

A polarimetric synthetic aperture radar (SAR) coherence calculation method based on fractional lower order statistics (FLOS) was proposed in Bian's paper. In this letter, we apply this approach to the coherence calculation for interferometric SAR (InSAR) and provide a detailed analysis. An L-band InSAR data set is used to provide comparative results between the coherence derived in the traditional manner and that based on FLOS. In the areas around strong scatterers, the coherence is found to be biased due to the deviation of the statistical model from Gaussian when using the traditional coherence calculation. However, the coherence based on FLOS largely reduces this bias. From the experimental results using the InSAR data, we found that this method reduces the artifacts in the traditional coherence calculation method. The removal of bias due to sample estimation is also discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,955
Score d'incertitude au seuil0,481

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,230
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Geoscience and Remote Sensing LettersMême sujetSynthetic Aperture Radar (SAR) Applications and TechniquesTravaux en français237 207