Characterizing marsh wetlands in the Great Lakes Basin with C-band InSAR observations
Notice bibliographique
Résumé
There is limited research focusing on Interferometric Synthetic Aperture Radar (InSAR) applications in the Great Lakes coastal wetlands with large water level fluctuations. In this study, we investigated the potential of using C-band SAR data to characterize marsh wetland and monitor water level changes along the coast of the Great Lakes. InSAR analysis was conducted using Radarsat-2 and Sentinel-1 data collected at Long Point, Ontario, Canada over the period of 2016–2018. Observations indicated that both backscattering coefficients and coherence from tall plants (e.g. cattail/Phragmites), short plants (e.g. grass), and water varied with different sensor modes (incidence angles and polarizations) in response to changes in phenology, disturbance, and water level. InSAR phase changes were closely related to fluctuations in water level and flow direction. We evaluated InSAR time series observations using measurements from water level loggers based on correlation and root mean square error (RMSE). It was found that correlation between InSAR measurements and water level changes in the field varied depending on the site, type of wetland vegetation, incidence angle and polarization. Although results from some sensor modes provided good correlation at a few locations, the low fringe rate and RMSE between 9 and 28 cm indicated that InSAR observations of water level changes were generally underestimated.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».