Detection of First-Year and Multi-Year Sea Ice from Dual-Polarization SAR Images Under Cold Conditions
Notice bibliographique
Résumé
This paper presents a new technique for automated detection of multi-year (MY) and first-year (FY) sea ice from RADARSAT-2 dual-polarization HH–HV ScanSAR Wide images under cold environmental conditions. The approach is applied to 2.05 km <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$\times2.05$ </tex-math></inline-formula> km ( <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$41 \times 41$ </tex-math></inline-formula> pixels) spatial window in the situation where the area is labeled as ice by our recently introduced ice and open water detection approach. The probability of the presence of MY ice is modeled as a function of the two selected predictor parameters computed over each spatial window: the HV/HH polarization ratio and the standard deviation of the HV signal. The proposed MY ice probability model was built based on thousands of synthetic aperture radar (SAR) images and corresponding Canadian Ice Service (CIS) Image Analysis products covering the 2010–2016 time period, not including 2013. Our verification results for the independent testing subset for the year 2013 against the CIS Image Analysis products suggest that approximately 50% of pure MY and FY ice samples were classified with an accuracy of 98.2%. The incidence angle correction of HH and HV backscatter does not improve MY and FY ice detection results in the space of the selected predictor parameters. The proposed technique will be used as part of the Environment and Climate Change Canada Regional Ice-Ocean Prediction System in support of assimilation of ice thickness retrievals from Cryosat-2 and Soil Moisture and Ocean Salinity mission data.
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 | 0,000 | 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 ».