Wetland Monitoring Using SAR Data: A Meta-Analysis and Comprehensive Review
Notice bibliographique
Résumé
Despite providing vital ecosystem services, wetlands are increasingly threatened across the globe by both anthropogenic activities and natural processes. Synthetic aperture radar (SAR) has emerged as a promising tool for rapid and accurate monitoring of wetland extent and type. By acquiring information on the roughness and moisture content of the surface, SAR offers unique potential for wetland monitoring. However, there are still challenges in applying SAR for mapping complex wetland environments. The backscattering similarity of different wetland classes is one of the challenges. Choosing the appropriate SAR specifications (incidence angle, frequency and polarization), based on the wetland type, is also a subject of debate and should be investigated more thoroughly. The geometric distortion of SAR imagery and loss of coherency are other remaining challenges in applying SAR and its processing techniques for wetland studies. Hence, this study provides a systematic meta-analysis based on compilation and analysis of indexed research studies that used SAR for wetland monitoring. This meta-analysis reviewed 172 papers and documented an upward trend in usage of SAR data, increasing usage of multi-sensor data, increasing integration of C- and L- bands over other configurations and higher classification accuracy with multi-frequency and multi-polarized SAR data. The highest number of wetland research studies using SAR data came from the USA, Canada and China. This meta-analysis highlighted the current challenges and solutions for wetland monitoring using SAR sensors.
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 | 0,009 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,015 |
| Bibliométrie | 0,015 | 0,015 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».