MétaCan
Menu
Retour à la cohorte
Enregistrement W2808450759 · doi:10.3390/rs10060949

Assessing Single-Polarization and Dual-Polarization TerraSAR-X Data for Surface Water Monitoring

2018· article· en· W2808450759 sur OpenAlexaff
Katherine Irwin, Alexander Braun, G. Fotopoulos, Achim Roth, Birgit Wessel

Notice bibliographique

RevueRemote Sensing · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueSynthetic Aperture Radar (SAR) Applications and Techniques
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésRemote sensingDual-polarization interferometryPolarization (electrochemistry)Environmental scienceGeologyComputer scienceTelecommunications

Résumé

récupéré en direct d'OpenAlex

Three synthetic aperture radar (SAR) data classification methodologies were used to assess the ability of single-polarization and dual-polarization TerraSAR-X (TSX) data to classify surface water, including open water, ice, and flooded vegetation. Multi-polarization SAR observations contain more information than single-polarization SAR, but the availability of multi-polarization data is much lower, which limits the temporal monitoring capabilities. The study area is a principally natural landscape centered on a seasonally flooding river, in which four TSX dual-co-polarized images were acquired between the months of April and June 2016. Previous studies have shown that single-polarization SAR is useful for analyzing surface water extent and change using grey-level thresholding. The H-Alpha–Wishart decomposition, adapted to dual-polarization data, and the Kennaugh Element Framework were used to classify areas of water and flooded vegetation. Although grey-level thresholding was able to identify areas of water and non-water, the percentage of seasonal change was limited, indicating an increase in water area from 8% to 10%, which is in disagreement with seasonal trends. The dual-polarization methods show a decrease in water over the season and indicate a decrease in flooded vegetation, which agrees with expected seasonal variations. When comparing the two dual-polarization methods, a clear benefit of the Kennaugh Elements Framework is the ability to classify change in the transition zones of ice to open water, open water to marsh, and flooded vegetation to land, using the differential Kennaugh technique. The H-Alpha–Wishart classifier was not able to classify ice, and misclassified fields and ice as water. Although single-polarization SAR was effective in classifying open water, the findings of this study confirm the advantages of dual-polarization observations, with the Kennaugh Element Framework being the best performing classification framework.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,538
Score d'incertitude au seuil0,602

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,041
Tête enseignante GPT0,283
Écart entre enseignants0,242 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

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

En bref

Citations27
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetSynthetic Aperture Radar (SAR) Applications and TechniquesTravaux en français237 207