MétaCan
Menu
Retour à la cohorte
Enregistrement W2781259557 · doi:10.1109/lgrs.2017.2782728

Quantification of the Relationship Between Sea Surface Roughness and the Size of the Glistening Zone for GNSS-R

2017· article· en· W2781259557 sur OpenAlexafffund
Qingyun Yan, Weimin Huang, Giuseppe Foti

Notice bibliographique

RevueIEEE Geoscience and Remote Sensing Letters · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil Moisture and Remote Sensing
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNatural Environment Research CouncilSight Research UK
Mots-clésGNSS applicationsRemote sensingBuoySurface roughnessGeodesyRoot mean squareReflectometrySatelliteComputer scienceSatellite systemSurface finishPreprocessorDoppler effectGeologyGlobal Positioning SystemComputer visionPhysicsMaterials scienceTelecommunications

Résumé

récupéré en direct d'OpenAlex

A formulation of the relationship between sea-surface roughness and extension of the glistening zone (GZ) of a Global Navigation Satellite System Reflectometry (GNSS-R) system is presented. First, an analytical expression of the link between GZ area, viewing geometry, and surface mean square slope (MSS) is derived. Then, a strategy for retrieval of surface roughness from the delay-Doppler map (DDM) is illustrated, including details of data preprocessing, quality control, and GZ area estimation from the DDM. Next, an example for application of the proposed approach to spaceborne GNSS-R remote sensing is provided, using DDMs from the TechDemoSat-1 mission. The algorithm is first calibrated using collocated in situ roughness estimates using data sets from the National Data Buoy Center, its retrieval performance is then assessed, and some of the limitations of the suggested technique are discussed. Overall, good correlation is found between buoy-derived MSS and estimates obtained using the proposed strategy ($r=0.73$ ).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesÉtudes des sciences et des technologies
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,433
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,003
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,259
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Geoscience and Remote Sensing LettersMême sujetSoil Moisture and Remote SensingTravaux en français237 207