Adapting InSAR Phase Linking for Seasonally Snow-Covered Terrain
Notice bibliographique
Résumé
Interferometric synthetic aperture radar (InSAR) time series analysis of natural terrain allows for characterization of long-term geophysical trends over extended areas and, in the case of distributed scatterers (DSs), is significantly enhanced by methods that exploit the full complex-valued scattering statistics. Phase-linking (PL) estimators impose a phase-closure constraint in order to estimate the temporal wrapped-phase history of a DS directly from its complex backscatter sample coherence matrix. Some PL methods, such as the SqueeSAR and maximum-likelihood-estimator of Interferometric phase (EMI) estimators, rely on knowledge of the coherence magnitude matrix. The true coherence magnitude is <i>a priori</i> unknown and must therefore be estimated from the data. Bias in these estimated coherence magnitudes reduces PL performance when the true coherence magnitude is low. Many areas of the Earth are seasonally snow-covered and, for natural terrain, this leads to severe cross-season decorrelation. This poses a significant challenge for PL estimators due to bias of the near-zero cross-season coherence magnitude estimates. We introduce a clustering approach to mitigate the PL estimator bias problem that exploits the fact that in natural terrain, many DSs decorrelate similarly. This allows for averaging over large numbers of same-behaving DS, which provides robust debiasing of the coherence magnitudes used during PL. We apply our method to a RADARSAT-2 spotlight-mode InSAR dataset over a site in the western Canadian Arctic and demonstrate significant reductions in <i>a posteriori</i> phase variance when compared to existing PL methods.
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 | 0,001 | 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 ».