Toward Automated Ice-Water Classification on Large Northern Lakes Using RADARSAT-2 Synthetic Aperture Radar Imagery
Notice bibliographique
Résumé
Changes to ice cover on lakes throughout the northern landscape has been established as an indicator of climate change and variability. These changes are expected to have implications for both human and environmental systems. Additionally, monitoring lake ice cover is required to enable more reliable weather forecasting across lake-rich northern latitudes. Currently the Canadian Ice Service (CIS) monitors lakes using RADARSAT-2 SAR (synthetic aperture radar) and optical imagery through visual interpretation, with total lake ice cover reported weekly as a fraction out of ten. An automated method of classification would allow for more detailed records to be delivered operationally. \nIn this research, the Iterative Region Growing using Semantics (IRGS) approach has been employed to perform ice-water classification on 61 RADARSAT-2 scenes of Great Bear Lake and Great Slave Lake over a three year period. This approach first locally segments homogeneous regions in an image, then merges similar regions into classes across the entire scene. These classes are manually labelled by the user, however automated labelling capability is currently in development. An accuracy assessment has been performed on the classification results, comparing outcomes with user-generated reference data as well as the CIS fraction reported at the time of image acquisition. The overall average accuracy of the IRGS method for this dataset is 92%, demonstrating the potential of this semi-automated method to provide detailed and reliable lake ice cover information.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».