The Effects of Dry Snow on the SAR Impulse Response and Feasibility for Single Channel Snow Water Equivalent Estimation
Notice bibliographique
Résumé
Snow water equivalent (SWE) is an important surface parameter for understanding a number of Earth system processes. Synthetic aperture radar (SAR) has considerable potential for measuring SWE of dry-snow because SAR can penetrate through the snow to the ground surface and is both amplitude- and phase-sensitive to refraction from the snow. Previous work on refraction-based SWE measurement by SAR has utilized the repeat-pass InSAR phase signal to estimate changes in SWE that occur between SAR acquisitions. These are subject to temporal decorrelation effects and consider only the refraction that occurs along the SAR beam center rather than the entire synthetic aperture. This study examines the refractive effect of dry-snow along the synthetic aperture and its impact on SAR image formation including defocusing and phase bias of the system impulse response. Snow phase compensation during time domain processing to recover the snow-free impulse response function (IRF) is described and demonstrated. The feasibility of using the mapdrift and image sharpness autofocus methods to estimate SWE is examined, and the effect of key system parameters on the estimation performance is derived. Experimental validation of the method was conducted by acquiring L-band data with the Simon Fraser University (SFU) Airborne SAR System over a pair of corner reflectors installed on the Kluane icefield in northwestern Canada. Results from both simulations and the icefield experiment are presented and compared including an analysis of errors affecting the estimation.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».