MétaCan
Menu
Retour à la cohorte
Enregistrement W3207202137 · doi:10.4995/cigeo2021.2021.12736

MONITORING CRITICAL INFRASTRUCTURE EXPOSED TO ANTHROPOGENIC AND NATURAL HAZARDS USING SATELLITE RADAR INTERFEROMETRY

2021· article· en· W3207202137 sur OpenAlexaff
Antonio Miguel Ruiz-Armenteros, José Manuel Delgado Blasco, Matúš Bakoň, Milan Lazecký, Miguel Marchamalo, Francisco Lamas‐Fernández, Ana Ruiz‐Constán, Jesús Galindo-Zaldı́var, Carlos Sanz de Galdeano, Sergio Martos‐Rosillo, Juraj Papčo, Daniele Perissin, Joaquim J. Sousa

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSynthetic Aperture Radar (SAR) Applications and Techniques
Établissements canadiensFPInnovations
Organismes subventionnairesEuropean Regional Development FundJunta de AndalucíaMinisterio de Asuntos Económicos y Transformación Digital, Gobierno de EspañaVedecká Grantová Agentúra MŠVVaŠ SR a SAVAgencia Estatal de InvestigaciónEuropean Space AgencyMinisterstvo Školství, Mládeže a TělovýchovyFundação para a Ciência e a TecnologiaUniversidad de Jaén
Mots-clésRemote sensingInterferometric synthetic aperture radarSynthetic aperture radarRadarInterferometryGeologyTerrainSatelliteRadar imagingLandslideComputer scienceSeismologyTelecommunicationsEngineeringGeography

Résumé

récupéré en direct d'OpenAlex

Synthetic Aperture Radar Interferometry (InSAR) is a remote sensing technique very effective for the measure of smalldisplacements of the Earth’s surface over large areas at a very low cost as compared with conventional geodetictechniques. Advanced InSAR time series algorithms for monitoring and investigating surface displacement on Earth arebased on conventional radar interferometry. These techniques allow us to measure deformation with uncertainties of 1mm/year, interpreting time series of interferometric phases at coherent point scatterers (PS) without the need for humanor special equipment presence on the site. By applying InSAR processing techniques to a series of radar images over thesame region, it is possible to detect line-of-sight (LOS) displacements of infrastructures on the ground and therefore identifyabnormal or excessive movement indicating potential problems requiring detailed ground investigation. A major advantageof this technology is that a single radar image can cover a major area of up to 100 km by 100 km or more as, for example,Sentinel-1 C-band satellites data cover a 250 km wide swath. Therefore, all engineering infrastructures in the area, suchas dams, dikes, bridges, ports, etc. subject to terrain deformation by volcanos, landslides, subsidence due to groundwater,gas, or oil withdrawal could be monitored, reducing operating costs effectively. In this sense, the free and open accessCopernicus Sentinel-1 data with currently up to 6-days revisit time open new opportunities for a near real-time landmonitoring. In addition, the new generation of high-resolution radar imagery acquired by SAR sensors such as TerraSARX,COSMO-SkyMed, and PAZ, and the development of multi-interferogram techniques has enhanced our capabilities inrecent years in using InSAR as deformation monitoring tool. In this paper, we address the applicability of using spaceborneSAR sensors for monitoring infrastructures in geomatics engineering and present several cases studies carried out by ourgroup related to anthropogenic and natural hazards, as well as monitoring of critical infrastructures.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,274
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSynthetic Aperture Radar (SAR) Applications and TechniquesTravaux en français237 207