Permafrost Dynamics Observatory—Part I: Postprocessing and Calibration Methods of UAVSAR L‐Band InSAR Data for Seasonal Subsidence Estimation
Notice bibliographique
Résumé
Interferometric synthetic aperture radar (InSAR) has been used to quantify a range of surface and near surface physical properties in permafrost landscapes. Most previous InSAR studies have utilized spaceborne InSAR platforms, but InSAR datasets over permafrost landscapes collected from airborne platforms have been steadily growing in recent years. Most existing algorithms dedicated toward retrieval of permafrost physical properties were originally developed for spaceborne InSAR platforms. In this study, which is the first in a two part series, we introduce a series of calibration techniques developed to apply a novel joint retrieval algorithm for permafrost active layer thickness retrieval to an airborne InSAR dataset acquired in 2017 by NASA's Uninhabited Aerial Vehicle Synthetic Aperture Radar over Alaska and Western Canada. We demonstrate how InSAR measurement uncertainties are mitigated by these calibration methods and quantify remaining measurement uncertainties with a novel method of modeling interferometric phase uncertainty using a Gaussian mixture model. Finally, we discuss the impact of native SAR resolution on InSAR measurements, the limitation of using few interferograms per retrieval, and the implications of our findings for cross-comparison of airborne and spaceborne InSAR datasets acquired over Arctic regions underlain by permafrost.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 0,001 |
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 ».