Sea Ice Sensing From GNSS-R Data Using Convolutional Neural Networks
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
In this letter, a scheme that uses convolutional neural networks (CNNs) is proposed for sea ice detection and sea ice concentration (SIC) prediction from TechDemoSat-1 Global Navigation Satellite System Reflectometry delay-Doppler maps (DDMs). Specifically, a classification-orientated CNN was designed for sea ice detection and a regression-based one for SIC estimation. Here, DDM images were used as input, and SIC data from Nimbus-7 Scanning Multi-Channel Microwave Radiometer and Defense Meteorological Satellite Program Special Sensor Microwave Imager-Special Sensor Microwave Imager/Sounder sensors were modified as targeted output. In the experimental phase, the CNN output resulted from inputting full-size DDM data (128-by-20 pixels) showed better accuracy than that of the existing NN-based method. Besides, both CNNs and NNs with further processed input data (40-by-20 pixels, and with a fixed position in each image) were evaluated and the performance of both networks was enhanced. It was found that when DDM data are adequately preprocessed, CNNs and NNs share similar accuracy; otherwise the former outperforms the latter. Further conclusion was thus drawn that CNNs were more tolerant to the data format changes than NNs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| 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 découle