MétaCan
Menu
Retour à la cohorte
Enregistrement W6950464730 · doi:10.5446/53310

Talking to spaceborne RADAR: Sentinel1 data processing

2021· other· en· W6950464730 sur OpenAlexaboutno aff

Notice bibliographique

RevueTIB KMO / FLOWWORKS GmbH · 2021
Typeother
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésData processingSynthetic aperture radarRadarSoftwareSignal processingSoftware deploymentContext (archaeology)Earth observationProcessing

Résumé

récupéré en direct d'OpenAlex

Signal processing of Sentinel1 spaceborne RADAR datasets freely available from the European Space Agency web site, followed by the deployment of a corner reflector which will be visible in the latest datasets. Software Defined Radio users and developers are well aware of the {I, Q} stream and their handling for powerful software processing at baseband. While most developments focus on hardware, acquisition and digital communication signal decoding, a huge dataset of {I, Q} samples is available from the spaceborne Sentinel1 satellites. Indeed, the European Space Agency is providing free access (the anonymous registration with the service will be discussed in the presentation) to the datasets collected by the two Sentinel-1{A, B} satellites. Spaceborne RADAR provide all-weather (RADAR is not affected by cloud), day-night (RADAR is active and does not depend on external illumination sources) monitoring conditions covering the whole surface of the Earth from the low Earth polar orbiting satellites. Most significant over optical measurements, microwave RADAR measurements allow for phase recovery and hence interferometric measurement which is not possible with optical measurements. Furthermore, radiofrequence wave complex interactions with the reflective surfaces (scattering, absorption, polarization rotation) provides a rich context for analysis complementary to optical observations. Thanks to the Single Look Complex, Interferometric Wide datasets collected over land, discovering Interferometric Synthetic Aperture RADAR processing is no longer a matter of being associated with a dedicated laboratory and applying to selective research projects (e.g. Canadian RADAR-Sat datasets or German TanDEM-X) but only of fetching the huge datasets (4-GB/image) and learning the processing sequence. In this talk which will appear as a sequel to the development of Ground Based SDR RADAR discussed during GRCon2020 [1], we will introduce a processing flowchart first relying on the SNAP graphical user interface provided by ESA before switching to an automated command line approach relying on Makefile since each processing step depends on the proper completion of the previous one. We will address some basic conditions whose results are expected, namely German open-pit coal mines and earthquake-induced land motion. Indeed the 5 mx20 m pixel and 5.6 cm wavelength is best suited for large scale, sub-cm natural or human-induced geomorphological transformations, while the short term coherence is best achieved by analyzing the successive data collected from one observation to another with a 12-day repetition rate. After demonstrating a functional flowchart resulting in GeoTIFF phase and coherence maps consistent with optical satellite and aerial imagery, we conclude the presentation by adding a cooperative target corner reflector acting as localized point-like measurement source, assuming the reflector is large enough to be the dominant reflection source over the pixel area.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0030,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0200,012

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 Opus0,049
Tête enseignante GPT0,322
Écart entre enseignants0,273 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTIB KMO / FLOWWORKS GmbHTravaux en français237 207