Improving Sea Ice Characterization in Dry Ice Winter Conditions Using Polarimetric Parameters from C- and L-Band SAR Data
Notice bibliographique
Résumé
Sea ice monitoring and classification is one of the main applications of Synthetic Aperture Radar (SAR) remote sensing. C-band SAR imagery is regarded as an optimal choice for sea ice applications; however, other SAR frequencies has not been extensively assessed. In this study, we evaluate the potential of fully polarimetric L-band SAR imagery for monitoring and classifying sea ice during dry winter conditions compared to fully polarimetric C-band SAR. Twelve polarimetric SAR parameters are derived using sets of C- and L-band SAR imagery and the capabilities of the derived parameters for the discrimination between First Year Ice (FYI) and Old Ice (OI), which is considered to be a mixture of Second Year Ice (SYI) and Multiyear Ice (MYI), are investigated. Feature vectors of effective C- and L-band polarimetric parameters are extracted and used for sea ice classification. Results indicate that C-band SAR provides high classification accuracy (98.99%) of FYI and OI in comparison to the obtained accuracy using L-band SAR (82.17% and 81.85%), as expected. However, L-band SAR was found to classify only the MYI floes as OI, while merging both FYI and SYI into one separate class. This comes in contrary to C-band SAR, which classifies as OI both MYI and SYI. This indicates a new potential for discriminating SYI from MYI by combining C- and L-band SAR in dry ice winter conditions.
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 | 0,001 | 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 ».