Icebergs in Sea Ice With TanDEM-X Interferometry
Notice bibliographique
Résumé
In this paper, the advantages of using an interferometric method for detecting and characterizing icebergs in sea ice were demonstrated. Iceberg topography was analyzed using single-pass TanDEM-X interferometric synthetic aperture radar (InSAR) data. Multiple InSAR data sets in bistatic mode were acquired over icebergs in sea ice in the Arctic region. InSAR processing was used to extract 3-D elevation information of the sea ice surface. The results firmly demonstrate the capability of TanDEM-X data to characterize the shape of icebergs. Very high resolution (VHR) optical satellite data were collected by Pleiades 1A over the same area to derive digital elevation models (DEMs) of ice features for validation. The accuracy of the extracted topography over icebergs was evaluated by comparing InSAR and optical DEMs. The quantitative comparison demonstrated good correspondence between InSAR and optical DEMs with root-mean-square value values of 2.2 m for icebergs and 0.6 m for sea ice, respectively. Using DEMs derived from VHR optical imagery, it was possible to calculate receiver operating characteristics (ROC) for detecting icebergs in sea using InSAR. The resulting ROC analysis illustrates a good detection performance.
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 | 0,001 |
| 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 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 ».