Automated Discrimination of Certain Brightness Fronts in RADARSAT-2 Images of the Ocean Surface
Notice bibliographique
Résumé
Abstract Automated classification of the signatures of atmospheric and oceanic processes in synthetic aperture radar (SAR) images of the ocean surface has been a difficult problem, partly because different processes can produce signatures that are very similar in appearance. For example, brightness fronts that are the signatures of horizontal wind shear caused by atmospheric processes that occur independently of properties of the ocean (WIN herein) often appear very similar to brightness fronts that are signatures of sea surface temperature (SST) fronts (SST herein). Using Moderate Resolution Imaging Spectroradiometer (MODIS)-derived SST for validation, 302 SAR SST and 193 SAR WIN signatures were collected from over 250 RADARSAT-2 images of the Gulf Stream region using a Canny edge detector. A vector consisting of textural and contextual features was extracted from each signature and used to train and test logistic regression, maximum likelihood, and binary tree classifiers. Following methods proven effective in the analysis of SAR images of sea ice, textural features included those computed from the gray-level co-occurrence matrix for regions along and astride each signature. Contextual features consisted of summaries of the wind vector field near each signature. Results indicate that signatures labeled SST can be automatically discriminated from signatures labeled WIN using the mean wind direction with respect to a brightness front with an accuracy of between 80% and 90%.
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 ».