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 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 | 0,001 | 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) | 0,000 | 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 ».