Characterizing the Great Lakes Coastal Wetlands with InSAR Observations from X-, C-, and L-Band Sensors
Notice bibliographique
Résumé
We investigated the potential of using Synthetic Aperture Radar (SAR) imagery from three different frequencies: X-, C-, and L-band, to characterize coastal wetlands in the Great Lakes. Three sets of SAR data acquired over the Bay of Quinte, Ontario, Canada between 2016 and 2018 from Radarsat-2, 2016 from TerraSAR-X, and 2018 from ALOS-2 satellites were processed using small baseline subset (SBAS) Interferometric SAR (InSAR) techniques to provide maps of surface changes in marshes and swamps. Results showed that SAR backscatter and coherence were sensitive to sensor characteristics (frequency, polarization, incidence angle, acquisition interval), changes in water level, and phenology. InSAR time series observations were evaluated using measurements from water level loggers based on correlation and root mean square error (RMSE) from a linear regression model. Correlation between InSAR measurements and water level changes in the field varied from −1 to 1 depending on the site, type of wetland vegetation, and incidence angle. Although results from some sensor modes provided good correlation (0.77–1) at a few locations, the low fringe rate and large RMSE between 4 and 64 cm indicated that InSAR observations of water level changes in the dynamic wetland environment 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 ».