L-Band SAR Co-Polarized Phase Difference Modeling for Corn Fields
Notice bibliographique
Résumé
This research aims at modeling the microwave backscatter of corn fields by coupling an incoherent, interaction-based scattering model with a semi-empirical bulk vegetation dielectric model. The scattering model is fitted to co-polarized phase difference measurements over several corn fields imaged with fully polarimetric synthetic aperture radar (SAR) images with incidence angles ranging from 20° to 60°. The dataset comprised two field campaigns, one over Canada with the Uninhabited Aerial Vehicle Synthetic Aperture Radar (UAVSAR, 1.258 GHz) and the other one over Argentina with Advanced Land Observing Satellite 2 (ALOS-2) Phased Array type L-band Synthetic Aperture Radar (PALSAR-2) (ALOS-2/PALSAR-2, 1.236 GHz), totaling 60 data measurements over 28 grown corn fields at peak biomass with stalk gravimetric moisture larger than 0.8 g/g. Co-polarized phase differences were computed using a maximum likelihood estimation technique from each field’s measured speckled sample histograms. After minimizing the difference between the model and data measurements for varying incidence angles by a nonlinear least-squares fitting, well agreement was found with a root mean squared error of 24.3° for co-polarized phase difference measurements in the range of −170.3° to −19.13°. Model parameterization by stalk gravimetric moisture instead of its complex dielectric constant is also addressed. Further validation was undertaken for the UAVSAR dataset on earlier corn stages, where overall sensitivity to stalk height, stalk gravimetric moisture, and stalk area density agreed with ground data, with the sensitivity to stalk diameter being the weakest. This study provides a new perspective on the use of co-polarized phase differences in retrieving corn stalk features through inverse modeling techniques from space.
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 ».