An approach to use polarimetric signature for land cover classification
Notice bibliographique
Résumé
The aim of this paper is to explore the information obtain from the fully polarimetric SAR data. Fully polarimetric SAR data contain both magnitude and phase information therefore it contains great potential about target classification. By using both parameter amplitude and phase we can distinguishes different types of scattering mechanism. For fully utilization of polarimetric SAR data, polarization signatures are used which utilizes the different orientation angle. Polarization signature is a 3-D plot of the received backscattered intensity as a function of ellipticity and orientation angle of antenna. Polarization signatures of urban area are equivalent to dihedral corner reflector which shows the double bounce, polarization signature of water is equivalent to trihedral which shows single bounce and short vegetation shows the polarizations signatures equivalent to dipole at different orientation angle. In this paper, by utilizing the fully polarimetric ALOS-PALSAR data, polarization signatures are extracted at different angles and their capability to classify different land cover classes like; urban, water, short vegetation, tall vegetation and bare soil are explored. The scattering mechanism of generated elliptical and linear polarized images for above mentioned land cover classes is also analyzed and on the basis of their scattering mechanism, decision tree classification (DTC) algorithm has been proposed and performance of the algorithm is also compared with other supervised and unsupervised classification techniques.
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 ».