Mapping Lava Flows on Venus Using SAR and InSAR: Hawaiʻi Case Study
Notice bibliographique
Résumé
Abstract We explore the potential for repeat‐pass SAR Interferometry (InSAR) correlation to track volcanic activity on Venus' surface motivated by future SAR missions to Earth's sister planet. We use Hawai'i as a natural laboratory to test whether InSAR can detect lava flows assuming orbital and instrument parameters similar to that of a Venus mission. Hawai'i was chosen because lava flows are frequent, and well documented by the United States Geological Survey, and because Hawai'i is a SAR supersite, where space agencies have offered open radar data sets for analysis. These data sets have different wavelengths (L, C, and X bands), bandwidths, polarizations, look angles, and a variety of orbital baselines, giving opportunity to assess the suitability of parameters for detecting lava flows. We analyze data from ALOS‐2 (L‐band), Sentinel‐1 (C‐band), and COSMO‐SkyMed (X‐band) spanning 2018 and 2022. We perform SAR amplitude and InSAR correlation analysis over temporal baselines and perpendicular baselines similar to those of a Venus mission. Fresh lava flows create a sharp, noticeable decrease in InSAR correlation that persists indefinitely for images spanning the event. The same lava flows are not always visible in the corresponding amplitude images. Moreover, noticeable decorrelation persists in image pairs acquired months after the events due to post‐emplacement contraction of flows. Post‐emplacement effects are hypothesized to last longer on the Venusian surface, increasing the likelihood of detecting Venus lava flows using InSAR. We argue for further focus on repeat‐pass InSAR capabilities in upcoming Venus missions, to detect and quantify volcanic activity on Earth's hotter twin.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».