Incidence Angle Dependence of Texture Statistics From Sentinel-1 HH-Polarization Images of Winter Arctic Sea Ice
Notice bibliographique
Résumé
The proliferation of synthetic aperture radar (SAR) imagery, its accessibility in open platforms like Google Earth Engine, and the development of automated classification and geophysical information extraction algorithms have prompted the need for understanding the role of incidence angle (IA) on radar scattering mechanism, backscatter intensity, and classification accuracy. This letter demonstrates the dependence of image texture parameters on SAR IA, using Arctic landfast sea ice samples extracted from C-band frequency Sentinel-1 SAR scenes collected during the winter period. Gray-level cooccurrence matrix (GLCM) derived texture parameters, and occurrence texture parameters, derived from undeformed first-year sea ice and multi-year sea ice, which are dominated by surface and volume scattering mechanisms, respectively, were analyzed. All GLCM texture parameters were found to be dependent on IA, highlighting the need for consideration of angular dependence in texture parameters, particularly in the development of image classification and inversion algorithms utilizing them. Occurrence texture parameters showed negligible influence by IA; however, feature discrimination capability was also lost. Some GLCM parameters had similar angular dependencies for both sea ice types, suggesting that, in some cases, global image normalization approaches for texture may be applied to account for the IA effect.
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 | 0,001 |
| 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 ».