Response of Multi-Incidence Angle Polarimetric RADARSAT-2 Data to Herbaceous Vegetation Features in the Lower Paraná River Floodplain, Argentina
Notice bibliographique
Résumé
Wetland ecosystems play a key role in hydrological and biogeochemical cycles. In emergent vegetation targets, the occurrence of double-bounce scatter is indicative of the presence of water and can be valuable for hydrological monitoring. Double-bounce scatter would lead to an increase of σ0HH over σ0VV and a non-zero co-polarized phase difference (CPD). In the Lower Paraná River floodplain, a total of 11 full polarimetric RADARSAT-2 scenes from a wide range of incidence angles were acquired during a month. Flooded targets dominated by two herbaceous species were sampled: Schoenoplectus californicus (four sites, Bulrush marshes) and Ludwigia peruviana (three sites, Broadleaf marshes). As a general trend, σ0HH was higher than σ0VV, especially at the steeper incidence angles. By modeling CPD with maximum likelihood estimations, we found results consistent with double-bounce scatter in two Ludwigia plots, at certain scene incidence angles. Incidence angle accounted for most of the variation on σ0HH, whereas emergent green biomass was the main feature influencing σ0HV. Multivariate models explaining backscattering variation included the incidence angle and at least two of these variables: emergent plant height, stem diameter, number of green stems, and emergent green biomass. This study provides an example of using CPD to decide on the contribution of double-bounce scatter and highlights the influence of vegetation biomass on radar response. Even with the presence of water below vegetation, the contribution of double-bounce scatter to C-band backscattering depends on scene incidence angles and may be negligible in dense herbaceous targets.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».