Arctic Sea Ice Classification Using Microwave Scatterometer and Radiometer Data During 2002–2017
Notice bibliographique
Résumé
Temporal and spatial variation of sea ice type in the Arctic is an indicator of regional and global change. Arctic sea ice can be classified into two major categories: multiyear ice (MYI) and first-year ice. In this paper, classification method based on machine learning is established and applied to produce daily sea ice classification data set during the winter (November-April) from 2002 to 2017 using active microwave data from QuikSCAT and Advanced Scatterometer as well as passive microwave data from Advanced Microwave Scanning Radiometer for EOS, Special Sensor Microwave Imager/Sounder, and Advanced Microwave Scanning Radiometer 2 radiometer. First, the open water area is flagged out using brightness temperature (Tb) from the passive microwave sensor. Then, K-means algorithm is applied to identify the clusters of the two ice types in the Tb/backscatter parameter space and finally assign pixels to each class. Two optimization methods based on the movement of MYI and marginal ice zone are used to correct the misclassification of MYI. The results have shown a decrease of MYI in winter from 2002 to 2017, especially in 2008 and 2013 with a remarkable recovery in 2014. The classifications are consistent with results by visual interpretation from synthetic aperture radar images in the Canadian Arctic Archipelago with overall classification accuracy over 93%. Comparison with classifications from previous studies and products shows that our method could reflect more differences in MYI declining trend interannually and less anomalous fluctuations in certain years.
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 | 0,001 | 0,000 |
| 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 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 ».