Toward Automated Identification of Sea Surface Temperature Front Signatures in Radarsat-2 Images
Notice bibliographique
Résumé
Abstract The Canadian Forces Meteorology and Oceanography Center produces a near-daily ocean feature analysis, based on sea surface temperature (SST) images collected by spaceborne radiometers, to keep the fleet informed of the location of tactically important ocean features. Ubiquitous cloud cover hampers these data. In this paper, a methodology for the identification of SST front signatures in cloud-independent synthetic aperture radar (SAR) images is described. Accurate identification of ocean features in SAR images, although attainable to an experienced analyst, is a difficult process to automate. As a first attempt, the authors aimed to discriminate between signatures of SST fronts and those caused by all other processes. Candidate SST front signatures were identified in Radarsat-2 images using a Canny edge detector. A feature vector of textural and contextual measures was constructed for each candidate edge, and edges were validated by comparison with coincident SST images. Each candidate was classified as being an SST front signature or the signature of another process using logistic regression. The resulting probability that a candidate was correctly classified as an SST front signature was between 0.50 and 0.70. The authors concluded that improvement in classification accuracy requires a set of measures that can differentiate between signatures of SST fronts and those of certain atmospheric phenomena and that a search for such measures should include a wider range of computational methods than was considered. As such, this work represents a step toward the goal of a general ocean feature classification algorithm.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».