Normalized C-HH backscatter from Sentinel-1 (December, 2014-2017) for selected tundra regions
Notice bibliographique
Résumé
Synthetic aperture radar (SAR) applications often require normalization to a common incidence angle. Angular signatures of radar backscatter depend on surface roughness and vegetation cover, and thus differ, from location to location. Comprehensive reference datasets are therefore required in heterogeneous landscapes. Multiple acquisitions from overlapping orbits with sufficient incidence angle range are processed in order to obtain parameters of the location specific normalization function. We propose a simpler method for C-band data, using single scenes only. It requires stable dielectric properties (no variations of liquid water content). This method is therefore applicable for frozen conditions. Winter C-band data have been shown of high value for a number of applications in high latitudes before. In this paper we explore the relationship of incidence angle and Sentinel-1 backscatter across the tundra to boreal transition zone. A linear relationship (coefficient of determination R2 = 0.64) can be found between backscatter and incidence angle dependence (slope of normalization function) as determined by multiple acquisitions on a pixel by pixel basis for typical land cover classes in these regions. This allows a simplified normalization and thus reduced processing effort for applications over larger areas.The following regions are covered in the dataset: Yamal peninsula (Russia), Usa Basin (Russia), Lena Delta (Russia), Mackenzie Delta (Canada), Barrow, Toolik and Teshekpuk Lake region (Alaska).
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».