Incidence Angle Dependencies for C-Band Backscatter From Sea Ice During Both the Winter and Melt Season
Notice bibliographique
Résumé
Incidence angle normalization is used to reduce the radiometric ambiguity within or between synthetic aperture radar (SAR) images. For sea ice, incidence angle normalization is typically constrained to winter months because of to the difficulty of capturing the rapidly changing backscatter values during the melt season. Here, we make use of high-temporal-resolution RADASAT Constellation Mission (RCM) SAR images to quantify incidence angle dependencies (slopes) for first-year ice (FYI), second-year ice (SYI), and multi-year ice (MYI) during several stages of melt. We apply a new successive image differencing method to mitigate the rapid changes in backscatter during the melt season. Slopes for SYI are shown, for the first time, for winter, and for most melt season periods. Time series of slopes are shown, also for the first time, at intervals as short as thirty minutes. Slopes for the early melt period (FYI -0.230, SYI -0.191, MYI -0.175 dB/1°) are similar to those for winter (FYI -0.235, SYI -0.208, MYI -0.167 dB/1°). During the snow melt period, slopes remain similar to winter for FYI (-0.235 dB/1°), but become steeper for SYI (-0.241 dB/1°) and MYI (-0.240 dB/1°). All ice types reach their maximum slope steepness during the ponding period (FYI -0.308, SYI -0.283, MYI -0.289 dB/1°), and then become shallower again during the drainage period (FYI -0.198, SYI -0.207, MYI -0.240 dB/1°). We show that the melt-season-specific slopes provide important improvements for visual interpretation of SAR imagery and in backscatter consistency for automated classification algorithms.
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 ».