Synergistic RADARSAT-2 and Sentinel-1 SAR Images for Ocean Feature Analysis
Notice bibliographique
Résumé
Using a case study approach, the utility of synergistic RADARSAT-2 (R2) and Sentinel-1 (S1) synthetic aperture radar (SAR) imagery is demonstrated for ocean feature signature analysis in the vicinity of the Gulf Stream. The R2 and S1 images considered are either spatially adjacent or spatially overlapping, and were quasi-simultaneously collected (i.e., within minutes of each other). Spatially adjacent R2 and S1 imagery allows ocean feature signatures to be delineated over large spatial areas, while spatially overlapping R2 and S1 imagery collected within short time intervals provides independent ‘looks’ at the same ocean features. This permits determination of the surface displacement of features, potentially leading to improved classification of the origin of ocean feature signatures (quasi-stationary features are likely related to sea surface temperature fronts, while mobile features are likely related to atmospheric conditions). Further, we demonstrate how the use of S1 Level-2 products (i.e. radial velocity datasets) can be leveraged as contextual data to improve the interpretation and classification of ocean feature signatures extracted from R2 imagery. Despite the straight-forward approach taken here, this work demonstrates that there are practical, real-world applications that would benefit from exploiting these on-going imaging opportunities in operational environments.
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 ».