Sea Ice Classification Using Cryosat-2 Altimeter Data by Optimal Classifier–Feature Assembly
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sea ice type is one of the most sensitive variables in Arctic ice monitoring and detailed information about it is essential for ice situation evaluation, vessel navigation, and climate prediction. Many machine-learning methods including deep learning can be employed for ice-type detection, and most classifiers tend to prefer different feature combinations. In order to find the optimal classifier-feature assembly (OCF) for sea ice classification, it is necessary to assess their performance differences. The objective of this letter is to make a recommendation for the OCF for sea ice classification using Cryosat-2 (CS-2) data. Six classifiers including convolutional neural network (CNN), Bayesian, K nearest-neighbor (KNN), support vector machine (SVM), random forest (RF), and back propagation neural network (BPNN) were studied. CS-2 altimeter data of November 2015 and May 2016 in the whole Arctic were used. The overall accuracy was estimated using multivalidation to evaluate the performances of individual classifiers with different feature combinations. Overall, RF achieved a mean accuracy of 89.15%, followed by Bayesian, SVM, and BPNN (~86%), outperforming the worst (CNN and KNN) by 7%. Trailing-edge width (TeW) and leading-edge width (LeW) were the most important features, and feature combination of TeW, LeW, Sigma0, maximum of the returned power waveform (MAX), and pulse peakiness (PP) was the best choice. RF with feature combination of TeW, LeW, Sigma0, MAX, and PP was finally selected as the OCF for sea ice classification and the results that demonstrated this method achieved a mean accuracy of 91.45%, which outperformed the other state-of-art methods by 9%.
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.
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 | 0,001 | 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle