Notice bibliographique
Résumé
AbstractBased on research studies over the last 20 years with different satellite synthetic aperture radar (SAR) sensors, a short review of elevation modelling, digital terrain model (DTM) generation, and three-dimensional (3D) cartographic feature extraction using stereoscopic and polarimetric methods is given. The results of these research studies were used to evaluate the potential of RADARSAT-2 and three of its new characteristics for mapping applications: ultra-fine mode, better orbit knowledge, and polarimetry. Stereoscopy and polarimetry can be used to improve the DTM generation when compared with RADARSAT-1. In the best case, 5-m accuracy (68% confidence level) can be expected in moderate topography. Three-dimensional feature extraction using stereoscopic ultra-fine mode data can meet the National Topographic Database standard (better than 10-m positioning, 90% confidence level). Polarimetry with two images from crossing orbits (quasi-orthogonal in the north) can also be used for DTM generation depending on the topographic and land-cover conditions. The major drawback is the complex scattering models over forest or agricultural lands with C-band SAR data. In short term, the method can be applied in bare surfaces. All these forecast improvements should be confirmed with real data. A partir des recherches sur des capteurs radar à synthèse d'ouverture (RSO) de satellites obtenues ces vingt dernières années, un état de l'art sur la modélisation de l'altitude, la création de modèle numérique de terrain (MNT) et l'extraction tri-dimensionnelle (3D) d'éléments cartographiques est présenté. Des résultats de ces recherches, on évalue le potentiel de RADARSAT-2 et de trois de ces nouvelles caractéristiques pour les applications cartographiques : le mode ultra-fin, la meilleure connaissance de l'orbite et la polarimétrie. La stéréoscopie et la polarimétrie peuvent être utilisées pour améliorer la création de MNT par rapport à RADARSAT-1. Dans le meilleur des cas, une précision de 5 m (niveau de confiance de 68%) peut être obtenue sur des reliefs modérés. L'extraction 3D d'éléments à partir de données stéréoscopiques du mode ultra-fin peut permettre de respecter les normes de la Base nationale de données topographiques (précision de positionnement meilleure que 10 m, niveau de confiance de 90%). La polarimétrie utilisant deux images d'orbites croisées (quasi orthogonales dans le Nord) peut aussi être utilisée pour créer des MNTs. L'inconvénient majeur est les modèles complexes de rétrodiffusion des données RSO en bande C dans les forêts et les champs agricoles. A court terme, la méthode peut être appliquée sur des sols nus. Toutes ces améliorations prévues devront être vérifiées avec des données réelles.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Méthodes Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Méthodes Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | low |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».