Automated Detection of Ice and Open Water From Dual-Polarization RADARSAT-2 Images for Data Assimilation
Notice bibliographique
Résumé
In this paper, we present a new technique for automated detection of ice and open water from RADARSAT-2 ScanSAR dual-polarization HH-HV images. Probability of the presence of ice within 2.05 km$\times2.05$km areas is modeled using a form of logistic regression as a function of the difference between the wind speeds estimated from synthetic aperture radar (SAR) data and those obtained from numerical weather prediction short-term forecasts, the spatial correlation between HH and HV backscatter signals, and the spatial standard deviation of the wind speed estimated from SAR. The resulting ice probability model was built based on thousands of SAR images and corresponding Canadian Ice Service (CIS) Image Analysis products covering all seasons and all Canadian and adjacent Arctic regions being monitored by CIS. Extensive verification of the proposed technique was conducted for an entire year (2013) against independent Image Analysis products and Interactive Multisensor Snow and Ice Mapping System ice extent products. Using a probability threshold of 0.95, 72.2% of the retrievals were classified as either ice or open water with an accuracy of 99.2% in the most clean verification scenario against Image Analysis pure ice and water data. The ability to obtain such a large number of retrievals with a very high accuracy makes it feasible to assimilate the resulting retrievals in an ice prediction system. Consequently, the developed ice/water retrieval technique will be implemented as a part of the data assimilation component of the operational Environment and Climate Change Canada Regional Ice-Ocean Prediction System.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».