3-D FDTD Framework for Simulating SAR Imagery of Realistic Near Earth Surface Volumes (Soil, Snow, and Vegetation)
Notice bibliographique
Résumé
Synthetic aperture radar (SAR) imaging of near Earth surface natural material volumes (soil, snow, vegetation) and man-made objects corresponds to an equivalent real aperture scenario with temporally short and spatially focused pulses. This equivalence holds as long as the imaged scene can be considered static within both fast (chirp duration) and slow (synthetic aperture) times. The electromagnetic backscatter recorded in a properly focused SAR image resolution cell that meets this condition has an amplitude and phase, which represents the coherent sum of the returns from individual scatterers inside the small volume represented by the cell. For some types of scatterers, the backscattering properties can be accurately characterized by analytical expressions. However, there are many interesting scattering phenomena where a purely analytical treatment leads to unrealistic simplifying assumptions. One approach to investigating these phenomena is with numerical methods such as the finite-difference time-domain method (FDTD). The FDTD method is computationally expensive, but it can model the complete physical interaction of electromagnetic waves according to Maxwell’s equations with arbitrary materials and shapes. This article describes the development of a specialized 3D FDTD software package capable of simulating the real-aperture equivalent of individual SAR image resolution cells given the spatial distribution of permittivity and conductivity within the cells. We demonstrate the usefulness of our new software tool by first recreating published 2D simulation results examining the link between soil moisture and InSAR phase, and then expanding these results to more realistic 3D soil volumes.
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 | 0,001 |
| 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 ».