Operational map-guided classification of SAR sea ice imagery
Notice bibliographique
Résumé
This paper presents a map-guided sea ice classification system built to work in parallel with the Canadian Ice Service (CIS) operations to produce pixel-based ice maps that complement actual "egg code" maps produced by CIS. The system uses the CIS maps as input to guide classification by providing information on the number of ice types and their final label for specific regions. Segmentation is based on a modified adaptive Markov random field (MRF) model that uses synthetic aperture radar (SAR) intensities and texture features as input. The ice type labeling is performed automatically by gathering evidences based on a priori information on one or two classes and deducing the other labels iteratively by comparing distributions of segments. Three methods for comparing the segment distributions (Fisher criterion, Mahalanobis distance, and Kolmogorov-Smirnov test) were implemented and compared. The system is fully described with special attention to the labeling procedure. Examples are presented in the form of two CIS SAR-based ice maps from the Gulf of Saint Lawrence region and one example from the Beaufort Sea. The results indicate that when the segmentation is good, the labeling attains best results (between 71% and 89%) based on evaluation by a sea ice analyst. Some problems remain to be assessed which are primarily attributable to discrepancies in the information provided by the egg code and what is actually visible in the SAR image. Subscale information on floe size and shape available to human analysts, but not in this classification system, also appear to be a critical information for separating some ice types.
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 | 0,000 |
| 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 ».