Neural Networks Based Sea Ice Detection and Concentration Retrieval From GNSS-R Delay-Doppler Maps
Notice bibliographique
Résumé
In this paper, a neural networks (NN) based scheme is presented for detecting sea ice and retrieving sea ice concentration (SIC) from global navigation satellite system reflectometry delay-Doppler maps (DDMs). Here, a multilayer perceptron neural network with back-propagation learning is adopted. In practice, two NN were separately developed for sea ice detection and concentration retrieval purposes. In the training phase, DDM pixels were employed as an input. The SIC data obtained by Nimbus-7 SMMR and DMSP SSM/I-SSMIS sensors were used as the target data, which were also regarded as ground-truth data in this paper. After the training process using a dataset collected around February 4, 2015, these networks were used to produce corresponding detection and concentration estimation for other four sets of DDM data, which were collected around February 12, 2015, February 20, 2015, March 16, 2015, and April 17, 2015, respectively. Results show high accuracy in sea ice detection and concentration estimation with DDMs using the proposed scheme. On average, the accuracy for sea ice detection is about 98.4%. In terms of estimated SIC, the mean absolute error is less than 9%, whereas the correlation coefficient is as high as 0.93 compared with the reference data. It was also found that low sea state and wind speed could lead to an overestimation of SIC for partially ice-covered region.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».