Estimating Noise Floor in Sentinel-1 Images With Linear Programming and Least Squares
Notice bibliographique
Résumé
Sentinel-1 is a synthetic aperture radar platform that provides free and open-source images of the Earth. A product type of Sentinel-1 is ground range detected (GRD), which records intensity while discarding phase information from the radar backscatter. Especially in cross-polarized GRD images, there are noticeable intensity changes throughout the image that are caused by amplifying the noise floor of the signal, which varies due to the nonuniform radiation pattern of the satellite’s antenna. While Sentinel-1 has instrument processing facility (IPF) software to estimate the noise floor, even in the newer versions (3.1 or above) of the IPF software there are still instances where the estimates provided do not fit the actual noise floor in the image, which is particularly noticeable in transitions between adjacent subswaths. In this work, we propose a method that reduces the impact of the varying noise-floor throughout the image. The method models the intensity of the noise floor to be a power function of the radiation pattern power. The method divides the swath into several sections depending on the location of the local minimum and maximum of the radiation pattern power with respect to the range. The parameter estimation is portrayed as a geometric programming problem that is transformed into a linear programming problem by logarithmic transformation. Affine offsets are computed for each subswath by a weighted least squares approach. Vast improvement is found on extra-wide (EW) and interferometric wide (IW) Sentinel-1 modes over cross-polarized images. Code implementation is available at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://github.com/PeterQLee/sentinel1_denoise_rs</uri> .
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 ».