An Improved Automated Method to Detect Landfast Ice Edge off Zhongshan Station Using SAR Imagery
Notice bibliographique
Résumé
Landfast ice is an important component of the Antarctic sea ice. Its edge generally advances offshore to its annual maximum extent by mid-winter before retreating later in spring. This study presents an automated method to detect the seaward landfast ice edge (SLIE) at its maximum extent in the beginning in the austral spring (October) for a region northeast of the Amery Ice Shelf, East Antarctic. Here, the net gradient difference algorithm developed by Mahoney [1] has been extended to include the medium edge detection method to automatically delineate the SLIE using the sequential SAR data. The underlying method is to use a spatial gradient operation to identify potential edge pixels, before applying the noise removal using a baseline (2000-2008) SLIE, and a pixel connection technique to generate a contiguous edge. We show that in 2016, the SLIE extended 20 km (25%) further equatorward than in 2008. Good agreement has been achieved between the SLIE derived from our automated method and the manual SLIE extraction using the original SAR as well as a near-coincident Landsat-8 OLI image. The error in the automated approach is minimized when using three to four calibrated SAR images, all with the same incident angle and the maximum separation between them is less than 20 days. Our results confirm the potential of the method for operational application, and we expect it to promote the study of Antarctic landfast ice.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».