Estimation of Surface Roughness Parameter in Intertidal Mudflat Using Airborne Polarimetric SAR Data
Notice bibliographique
Résumé
The coastal zones of the Korean peninsula are well known for their large tide ranges and vast expanse of intertidal flats. In this paper, methods of extracting the roughness of the scattering surface of intertidal mudflats from polarimetric synthetic aperture radar (SAR) data have been investigated. The L-band NASA/Jet Propulsion Laboratories airborne SAR data, which were acquired in the intertidal zone during PACRIM-II Korea campaign, were used to estimate the roughness of intertidal mudflats. Surface roughness can be utilized as a useful parameter to monitor the fishery activities in intertidal flats as well as the changes in textural characteristics of surface sediments. In order to retrieve roughness parameters, such as the rms height and the correlation length, of intertidal mudflats, three types of roughness inversion algorithms, based on the Integral Equation Method (IEM), semiempirical, and extended-Bragg models, have been investigated and developed. The inversion algorithms based on the IEM and semiempirical models can be applied to the dual-polarized SAR, while the extended-Bragg model-based inversion approach is also applicable to the fully polarimetric SAR observations. Results indicate the fully polarimetric approach is more pertinent to monitor geophysical parameters from space than the dual polarimetric approach, even if it is possible to reduce the number of unknown surface variables in the specific case of inversion problems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».