Influence of Flood Conditions and Vegetation Status on the Radar Backscatter of Wetland Ecosystems
Bibliographic record
Abstract
L'objectif de cet article est d'évaluer l'utilisation des données RSO de RADARSAT pour l'identification des écosystèmes de terres humides prenant en considération l'influence des caractéristiques des cibles (type de végétation, conditions d'inondation, phénologie et les feux), ainsi que les paramètres du capteur (angles d'incidence variables). Les îles du delta inférieur du fleuve Paraná en Argentine ont été choisies comme zone d'étude. Six images RSO acquises au cours de l'été et de l'hiver 1997 et 1998 ont été utilisées. Cet ensemble fait appel aux modes standard S1, S4 et S6 pour tenir compte des effets d'angle d'incidence. Les valeurs de rétrodiffusion radar d'échantillons prélevés sur des sites connus ont été analysées. Le signal de rétrodiffusion de la forêt montre une stabilité temporelle au cours de l'été et de l'hiver, que ce soit en présence ou en absence de feuilles dans les arbres. Au contraire, la rétrodiffusion de la forêt est fortement mise en valeur par la présence d'eau sous-jacente. On a trouvé que les retours radar pouvaient varier d'un signal atténué à un signal caractérisé par un comportement de type double rebond. Dans les terres humides dominées par les joncs, le mécanisme dominant d'interaction peut varier d'une réflexion de type double rebond à une réflexion de type spéculaire dû aux inondations. Dans des conditions de niveau normal des eaux, on a pu déterminer que la capacité de différencier la forêt de la végétation herbacée diminue en fonction de l'accroissement de l'angle d'incidence. Dans des conditions extrêmes d'inondation, la rétrodiffusion radar diminue en fonction de l'accroissement de l'angle d'incidence, d'environ 3 dB pour la forêt et de 4 dB pour les joncs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".