The Identification of Extreme Ice Features in Satellite Imagery
Notice bibliographique
Résumé
Abstract P>Sea ice monitoring is an important field of scientific research and relevant to operational applications. One of the major engineering challenges in undertaking production developments in Arctic offshore regions is the frequent presence of extreme ice features that pose a hazard to facilities and surrounding subsea infrastructure. The information on extreme ice features (i.e., ridges, icebergs etc.) is important from the standpoint of potential ice load levels on fixed structures and ice scouring of seafloor facilities. Satellite observation has been shown to be useful for extracting and characterizing ice regimes. Sea ice can be monitored using satellite imagery acquired by different types of sensors: microwave radiometer, optical instrument and synthetic aperture radar (SAR). The outputs of sea ice monitoring may include various ice parameters such as edge, thickness, concentration, classification, iceberg detection, and ice statistics. This paper describes application of high and low resolution SAR imagery for sea ice monitoring and to resolve local features and extend the statistical baseline to larger regions because extreme ice features may be invisible or ambiguous with other ice features in these data. The use of higher resolution imagery allows for easier detection of ice features and provides sufficient spatial detail necessary for detecting ice features from sea ice, identification and estimation of size and geometry of ice floes and icebergs. It was demonstrated that SAR sensors with multiple resolution lead to a better understanding of ice conditions including ice edge, concentration, floe statistics, and other ice features such as icebergs. A technique based on SAR interferometry was used for identification of iceberg in sea ice as well as for extracting iceberg topography.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».