Model-Based Decomposition of Dual-Pol SAR Data: Application to Sentinel-1
Notice bibliographique
Résumé
In this study, we advance a new family of model-based decompositions adapted for dual-pol synthetic aperture radar data. These are formulated using the Stokes vector formalism, coupled to mappings from full quad-pol decomposition theory. A generalized model-based decomposition is developed, which allows separation of an arbitrary Stokes vector into partially polarized and polarized wave components. We employ the widely used random dipole cloud as a volume model but, in general, nondipole options can be used. The cross-polarized phase$\delta $, and the$\alpha $angle, which is a function of the ratio between wave components, measure the transformation of polarization state on reflection. We apply the decomposition to dual-pol data provided by Sentinel-1 (S1) covering different scenarios, such as agricultural, forest, urban, and glacial land-ice. We show that the polarized term of received polarization state is not usually the same as the transmitted one, and can therefore be used for key applications, e.g., classification and geo-physical parameter estimation. We show that, for vegetated terrain, depolarization is not the only influencing factor to S1 backscattered intensities and, in the case of vertical crops (e.g., rice), this allows the crop orientation effects to be decoupled from volume scattering in the canopy. We demonstrate that coherent dual-pol systems show strong phase signatures over glaciers, where the polarized contribution significantly affects the backscattered state, resulting in elliptical polarization on receive. This is a key result for S1, for which dual-pol phase analysis coupled to dense time series offer great opportunities for land-ice monitoring.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».