Assessing BIOMASS Radiometric Stability using Permanent Scatterers
Pubblicata su AIChronos il · fonte del · Marco Manzoni, Francesco Salvaterra, Claudio Maria Prati, Stefano Tebaldini
Lo studio propone un framework di calibrazione basato su Permanent Scatterers (PSCal) per monitorare la stabilità radiometrica del radar SAR BIOMASS della ESA senza target dedicati. Il metodo combina una selezione degli scatterer basata sull'ampiezza con stime iterative dei guadagni tramite massima verosimiglianza, validando l'approccio attraverso simulazioni e dataset reali a Nairobi e Cordoba. I risultati evidenziano come gli scatterer selezionati rigorosamente possano rilevare anomalie strumentali (es. interferenze radio) e variazioni di guadagno residue inferiori a 0.1 dB nonostante cambiamenti geometrici significativi. L'approccio dimostra il potenziale degli oggetti permanenti nel complemento alle infrastrutture dedicate per la calibrazione relativa in scenari con acquisizioni limitate.
- Il framework PSCal utilizza scatterer permanenti come riferimenti opportunistici per stimare i guadagni radiometrici residui senza target di calibrazione dedicati.
- Le simulazioni confermano che l'accuratezza della stima dipende criticamente dall'abbondanza degli scatterer e dal rapporto segnale-rumore (SNR).
- A Nairobi è stata identificata un'anomalia di circa 1 dB legata a difetti nella mitigazione delle interferenze radio, mentre le altre acquisizioni mostrano variazioni inferiori a 0.1 dB.
- Il metodo mantiene una stabilità del guadagno residuo dell'ordine di 0.1 dB anche in presenza di cambiamenti pronunciati nel backscatter della scena e nella geometria di acquisizione.
- I risultati ottenuti sono coerenti con le misurazioni effettuate tramite il BIOMASS Calibration Transponder (BCT) installato a New Norcia.
Perché conta. Sebbene l'articolo tratti SAR, la metodologia PSCal illustra un principio fondamentale per gli sviluppatori di AI locale: l'utilizzo di dati opportunistici stabili e selezionati rigorosamente può compensare le limitazioni hardware o i difetti del sistema (come rumore o interferenze) quando target dedicati non sono disponibili. Questo approccio è rilevante per progettare agenti autonomi che devono operare in ambienti rumorosi, garantendo la stabilità delle inferenze attraverso tecniche di calibrazione adattiva basate su riferimenti interni robusti.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.