DEM Control in Arctic Alaska With ICESat Laser Altimetry
Notice bibliographique
Résumé
Use of Ice, Cloud, and land Elevation Satellite (ICESat) laser altimetry is demonstrated for control of a digital elevation model (DEM) that is synthesized from repeat-pass ERS-1 and 2 synthetic aperture radar (SAR) imagery using interferomet-ric SAR (InSAR). Our study area is 15 650 km <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of the Barrow, AK coastal plain adjacent to the Arctic Ocean; a vast expanse of tundra, lakes, and arctic wetlands of such low relief as to be nearly devoid of terrain features. The accuracy of the ICESat-derived elevation measurements is assessed by comparison with differential global positioning system (DGPS) data acquired along ICESat ground tracks. The ICESat-derived elevations have a mean accuracy, relative to the DGPS elevations, of -0.01 plusmn 0.18 m. ICESat-derived elevations on the Arctic coastal plain provide an excellent source for DEM control. We employ the ICESat-derived ground control points (GCPs) in two distinct InSAR processing steps: 1) selected points are used to perform baseline refinements, which improves the ERS-1 and 2 interfero-grams and 2) the ICESat-derived GCP position data (latitude, longitude, elevation) are then used as control in mosaicking multiple InSAR-derived DEMs. The resulting ICESat-controlled DEM has a mean accuracy of -1.11plusmn 6.3 m relative to an independent standard, which is a commercial airborne InSAR-derived DEM having 0.5 m rms accuracy. This easily meets DTED-2 standards and suggests that DEMs derived using only ICESat altimetry for ground control would meet similar standards in other regions of low relief.
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 ».