Scattering Characteristics of X-, C- and L-Band PolSAR Data Examined for the Tundra Environment of the Tuktoyaktuk Peninsula, Canada
Notice bibliographique
Résumé
In this study, polarimetric Synthetic Aperture Radar (PolSAR) data at X-, C- and L-Bands, acquired by the satellites: TerraSAR-X (2011), Radarsat-2 (2011), ALOS (2010) and ALOS-2 (2016), were used to characterize the tundra land cover of a test site located close to the town of Tuktoyaktuk, NWT, Canada. Using available in situ ground data collected in 2010 and 2012, we investigate PolSAR scattering characteristics of common tundra land cover classes at X-, C- and L-Bands. Several decomposition features of quad-, co-, and cross-polarized data were compared, the correlation between them was investigated, and the class separability offered by their different feature spaces was analyzed. Certain PolSAR features at each wavelength were sensitive to the land cover and exhibited distinct scattering characteristics. Use of shorter wavelength imagery (X and C) was beneficial for the characterization of wetland and tundra vegetation, while L-Band data highlighted differences of the bare ground classes better. The Kennaugh Matrix decomposition applied in this study provided a unified framework to store, process, and analyze all data consistently, and the matrix offered a favorable feature space for class separation. Of all elements of the quad-polarized Kennaugh Matrix, the intensity based elements K0, K1, K2, K3 and K4 were found to be most valuable for class discrimination. These elements contributed to better class separation as indicated by an increase of the separability metrics squared Jefferys Matusita Distance and Transformed Divergence. The increase in separability was up to 57% for Radarsat-2 and up to 18% for ALOS-2 data.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».