Sea Surface States Detection in Polar Regions Using Measurements of Ground-Based GNSS Interferometric Reflectometry
Notice bibliographique
Résumé
This article analyzes the interferometric measurements of ground-based global navigation satellite systems (GNSSs) stations and proposes a novel method for sea surface states detection. The novel technique benefits from a cost-effective data collection from a large number of global GNSS stations. In this study, we extend a traditional GNSS interferometry reflectometry (GNSS-IR) model so that it can be applied to a multilayer surface by considering the surface roughness, total reflectivity, and penetration loss in multilayer situations. Based on this model, the wavelet analysis is used to perform parameterization on the interferometric observations represented by the signal to noise ratio (SNR). An integration factor and power curve are also proposed to characterize the surface state transition. One-year data from an Arctic geodetic GNSS station in the north of Canada are collected for analysis to validate the proposed approach in comparison with the existing methods based on the amplitude and damping factors. The results show that the new method demonstrates good usability and sensitivity to detect surface state transitions, e.g., icing, snowfall, and snow melting. However, the amplitude and damping factor-based methods derived from the single-layer model are only able to detect the pure ice surface and cannot respond to thick snow conditions. Finally, the high-resolution spaceborne images confirm the reliability of this method, exhibiting a great potential for long-term coastal sea surface detection based on the global geodetic GNSS stations and later being expected to be applied to sense cryosphere surface states.
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 | 0,001 | 0,004 |
| 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 ».