MétaCan
Menu
← Retour à la cohorte
Enregistrement W4404520811 · doi:10.1109/access.2024.3502502

A Practical Approach to FMCW Radar Deconvolution in the Sea Ice Domain

2024· article· en· W4404520811 sur OpenAlexaff
Thomas Newman, Julienne Strœve, Vishnu Nandan, Rosemary Willatt, James B. Mead, Robbie Mallett, Michel Tsamados, Marcus Huntemann, Stefan Hendricks, Gunnar Spreen, Rasmus Tonboe

Notice bibliographique

RevueIEEE Access · 2024
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNatural Environment Research CouncilSight Research UKEuropean Space Agency
Mots-clésDeconvolutionRemote sensingContinuous-wave radarEarly-warning radarSea iceRadarComputer scienceRadar imagingGeologyOceanographyTelecommunicationsAlgorithm

Résumé

récupéré en direct d'OpenAlex

This paper presents a practical step-by-step approach to Frequency Modulated Continuous Wave (FMCW) radar nonlinearity correction (deconvolution), utilizing surface-based Ku- and Ka-band radar data collected over nilas ice within a newly-opened sea ice lead during the 2019/2020 MOSAiC expedition. Two performance metrics are introduced to evaluate deconvolution effectiveness: the spurious free dynamic range (SFDR), which quantifies sidelobe suppression, and the leading edge width (LEW), which quantifies the improvement in surface return clarity. The impact of deconvolution waveforms on different survey dates, radar polarizations, and surface types is examined using echograms and quantitative metrics. Deconvolution results in a maximum SFDR increase of 28 dB, with a maximum 3 dB decline in deconvolution performance observed over an 8-day period and a maximum decline of 15 dB observed over a 71-day period. The LEW values indicate that the effectiveness of deconvolution in enhancing interface clarity depends on the combination of pre-deconvolution sidelobe shape, prominence of the surface return, the influence of snowpack returns, as well as a time-dependent reduction in deconvolution performance. Deconvolution significantly improves surface return clarity for cross-polarized radar data, where weak surface returns are obscured by returns from within the snowpack. The results demonstrate that deconvolution performance is most effective shortly after deconvolution waveform characterization. Therefore, it is recommended to perform at least weekly calibrations using a large metal sheet and ideally calibration before/after data collection to ensure optimal deconvolution performance and effective sidelobe suppression.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,304
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Access→Même sujetArctic and Antarctic ice dynamics→Travaux en français237 207→