MétaCan
Menu
Retour à la cohorte
Enregistrement W2900759908 · doi:10.4095/305958

DInSAR products and applications for the RADARSAT Constellation Mission

2017· report· en· W2900759908 sur OpenAlexaffabout
Sergey Samsonov, Wanpeng Feng, N Short

Notice bibliographique

Revuenon disponible
Typereport
Langueen
DomaineEngineering
ThématiqueSynthetic Aperture Radar (SAR) Applications and Techniques
Établissements canadiensNatural Resources Canada
Organismes subventionnairesnon disponible
Mots-clésConstellationRemote sensingComputer scienceSystems engineeringGeologyEngineeringAstronomyPhysics

Résumé

récupéré en direct d'OpenAlex

The Canadian RADARSAT Constellation Mission (RCM) is scheduled for launch in the second half of 2018, to support primarily maritime surveillance (sea ice, surface wind, oil pollution and ship monitoring), disaster management (mitigation, warning, response and recovery), and ecosystem monitoring (agriculture, wetlands, forestry and coastal change). The RCM consists of three C-band Synthetic Aperture Radar (SAR) satellites, equally spaced in a common orbit, providing rapid revisit capability. The RCM offers a selection of beam modes that vary in terms of spatial resolution, coverage, polarization and noise floor. The constellation orbit and beam mode options are sufficient to provide daily imaging opportunities of Canadian territories and Differential Interferometric Synthetic Aperture Radar (DInSAR) acquisitions with four days' revisit time. This new source of SAR data will strengthen operational applications that require a continuous stream of data. In Canada and around the world, DInSAR is regularly used for detection and monitoring of ground deformation (e.g. uplift, subsidence and horizontal motion). At Natural Resources Canada (NRCan), DInSAR derived information supports diverse activities such as detecting terrain instability in permafrost regions, monitoring glacier and ice cap dynamics, monitoring landslide risk sites, and tracking surface deformation related to bitumen extraction. In partnership with the Canadian Space Agency (CSA), the Canada Centre for Mapping and Earth Observation (CCMEO) at NRCan is developing an automated system for generating standard and advanced deformation products by means of DInSAR from data acquired by RADARSAT-2 and RCM satellites. This processing system consists of software and hardware components and is capable of providing non-expert users with on-demand change detection and deformation products computed from the SAR data. This system will allow scientists and resource managers to efficiently and effectively extract ground displacement information from the thousands of RCM acquisitions collected annually during its mission life.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil0,131

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0390,028

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 Opus0,034
Tête enseignante GPT0,290
Écart entre enseignants0,256 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations2
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

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