Contextual Classification of Sea-Ice Types Using Compact Polarimetric SAR Data
Notice bibliographique
Résumé
Automatic classification methods using satellite imagery are beneficial in the sea-ice-type mapping of the Arctic regions. In the near future, the RADARSAT Constellation Mission (RCM) will be launched, providing unique compact polarimetric (CP) synthetic aperture radar (SAR) data, expected to be an improvement over the current RADARSAT-2 dual-polarimetric SAR imagery. This motivates the implementation of a CP-dedicated automatic scene classification approach. First, an existing unsupervised segmentation algorithm called iterative region growing using semantics (IRGS) is used to segment ice-class homogeneous regions to reduce the impact of speckle noise. Second, a support vector machine (SVM) is used to classify the ice-type labels for each homogeneous region. Two complex quad-polarimetric RADARSAT-2 scenes are used to mathematically simulate the corresponding CP scenes for algorithm testing. Classification accuracy shows that using only the two CP intensity images leads to improved results compared with standard dual-polarimetric scenes. Using the CP data, the best classification results are obtained with the reconstructed QP data for the IRGS segmentation and all derived CP features for the SVM labeling. The results support the expected potential that CP scenes will provide improved sea-ice classification than the current operational dual-pol scenes.
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 ».