Predicting Melt Pond Fraction on Landfast Snow Covered First Year Sea Ice from Winter C-Band SAR Backscatter Utilizing Linear, Polarimetric and Texture Parameters
Notice bibliographique
Résumé
Early-summer melt pond fraction is predicted using late-winter C-band backscatter of snow-covered first-year sea ice. Aerial photographs were acquired during an early-summer 2012 field campaign in Resolute Passage, Nunavut, Canada, on smooth first-year sea ice to estimate the melt pond fraction. RADARSAT-2 Synthetic Aperture Radar (SAR) data were acquired over the study area in late winter prior to melt onset. Correlations between the melt pond fractions and late-winter linear and polarimetric SAR parameters and texture measures derived from the SAR parameters are utilized to develop multivariate regression models that predict melt pond fractions. The results demonstrate substantial capability of the regression models to predict melt pond fractions for all SAR incidence angle ranges. The combination of the most significant linear, polarimetric and texture parameters provide the best model at far-range incidence angles, with an R 2 of 0.62 and a pond fraction RMSE of 0.09. Near- and mid- range incidence angle models provide R 2 values of 0.57 and 0.61, respectively, with an RMSE of 0.11. The strength of the regression models improves when SAR parameters are combined with texture parameters. These predictions also serve as a proxy to estimate snow thickness distributions during late winter as higher pond fractions evolve from thinner snow cover.
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 | 0,000 |
| 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) | 0,000 | 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 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 ».