Machine Learning Methods for Earth Observation and Remote Sensing Using Spaceborne GNSS Reflectometry: Current status, challenges, and future prospects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spaceborne GNSS reflectometry (GNSS-R) missions have been successfully launched in recent years, such as Technology Demonstration Satellite (TDS-1) in 2014, Cyclone Global Navigation Satellite System (CYGNSS) in 2016, Bufeng (BF)-1 A/B in 2019, and Fengyun (FY)-3E/3F/3G and Tianmu-1, launched successively in 2021. They provide a large amount of data to support spaceborne GNSS-R remote sensing applications, and spaceborne GNSS-R technology has also been widely used in various remote sensing fields by virtue of its advantages. With the rise of artificial intelligence (AI), many machine learning (ML) models have been developed for GNSS-R observations to estimate geophysical parameters. In particular, deep learning (DL) techniques have proved to have great potential to improve the accuracy of retrieval models in spaceborne GNSS-R applications, including ocean, land, cryosphere, atmosphere, and environment monitoring. This article provides the first comprehensive review of the application of ML in GNSS-R for Earth observation and remote sensing. The article first summarizes common ML algorithms as well as their basic concepts and theories. It then thoroughly reviews the progress of ML methods in the field of spaceborne GNSS-R and discusses the advantages, disadvantages, and challenges of ML models applied to GNSS-R. More importantly, it is imperative to adopt DL into the field of GNSS-R remote sensing and use it as a general model to tackle unprecedented, large-scale, and impactful challenges in areas such as ocean, land, cryosphere, atmosphere, hydrology, and environment remote sensing.
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.
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 | 0,001 |
| 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 découle