Wind Speed Retrieval From Hybrid-Pol Compact Polarization Synthetic Aperture Radar Images
Notice bibliographique
Résumé
This paper presents an attempt to retrieve wind speed from hybrid-pol compact polarization (CP) synthetic aperture radar (SAR) data. Cross-polarization (cross-pol, denoted by HV or VH) facilitates wind speed retrieval and improves the accuracy of the results, especially with respect to high wind speeds. Although the cross-pol data cannot be obtained from CP SAR data directly, these data can be reconstructed from CP SAR data. However, the existing reconstruction algorithms cannot satisfy the quantitative wind-speed retrieval requirements for specifying the critical parameter, denoted “N” in reconstruction algorithms, either as a constant, or as a variable with limited range. Here, N is defined in terms of the ratio between cross- and co-polarization channels and the coherence coefficient between co-polarization (denoted by HH and VV) channels. Thus, we have improved the empirical reconstruction algorithm for the modified N based on a data set of more than 2000 RADASAT-2 (RS-2) quad-polarization images and collocated buoy observations. The algorithm improves the accuracy for the reconstruction of cross-pol data and, ultimately, gives improved wind speed retrievals from the hybrid-pol CP SAR data. With the new algorithm, results show that the wind speed retrievals from reconstructed cross-pol data can approximate the accuracy of VH observations collected by RS-2.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».