Deformation Retrievals for North America and Eurasia from Sentinel-1 DInSAR: Big Data Approach, Processing Methodology and Challenges
Notice bibliographique
Résumé
A fully automated processing system for measuring long-term ground deformation time series and deformation rates frame-by-frame using DInSAR processing technique was developed at the Canada Center for Remote Sensing.Ground deformation rates from 2017 to 2023 were computed over a large territory of North America and Eurasia from more than 220,000 readily available Sentinel-1 images, and the performance and shortcomings of the developed processing system were analyzed.Here, we present the processing methodology and several examples of deformation rate maps and time series produced with this automated system.Examples include the deformation of slow-moving deep-seated landslides in two regions of Canada, subsidence at the Komsomolskoe oil field in the Russian Arctic, the Tengiz oil field in Kazakhstan, multiple large subsiding regions and landslides in northwestern Iran, and two large subsiding regions in the Yellow River Delta and Xinjiang, China.Many deformation processes observed in these deformation rate maps, including large landslides, have previously been unknown to the research community.Systematic radar penetration depth changes were observed in multiple regions and were investigate in detail for 1 Eurasian region.Computed deformation rates for North America and Eurasia are available to the research community and can be downloaded from the data repository. RSUMUn syst eme de traitement enti erement automatis e pour mesurer les s eries chronologiques de d eformation du sol a long terme et les taux de d eformation image par image a l'aide de la technique de traitement DInSAR a et e mis au point au Centre canadien de t el ed etection.Les taux de d eformation du sol de 2017 a 2023 ont et e calcul es sur un vaste territoire d'Am erique du Nord et d'Eurasie a partir de plus de 200 000 images Sentinel-1 facilement disponibles, et les performances et les lacunes du syst eme de traitement d evelopp e ont et e analys ees.Nous pr esentons ici la m ethodologie de traitement et plusieurs exemples de cartes de vitesse de d eformation et de s eries chronologiques produites avec ce syst eme automatis e. Les exemples incluent la d eformation de glissements de terrain profonds se d eplac ant lentement dans deux r egions du Canada, l'affaissement du champ p etrolif ere Komsomolskoe dans l'Arctique russe, le champ p etrolif ere Tengiz au Kazakhstan, plusieurs grandes r egions d'affaissements et de glissements de terrain dans le nord-ouest de l'Iran, ainsi que deux grandes r egions s'affaissant dans le delta du fleuve Jaune et le Xinjiang, en Chine.De nombreux processus de d eformation observ es dans ces cartes de vitesse de d eformation, y compris les grands glissements de terrain, etaient auparavant inconnus de la communaut e scientifique.Des changements syst ematiques de la profondeur de p en etration radar ont et e observ es dans plusieurs r egions et ont et e etudi es en d etail pour une r egion eurasienne.Les taux de d eformation calcul es pour l'Am erique du Nord et l'Eurasie sont a la
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 | 0,000 | 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 ».