The Best of Both Worlds: Connecting Remote Sensing and Arctic Communities for Safe Sea Ice Travel
Notice bibliographique
Résumé
Northern communities are increasingly interested in technology that provides information about the sea ice environment for travel purposes. Synthetic aperture radar (SAR) remote sensing is widely used to observe sea ice independently of sunlight and cloud cover, however, access to SAR in northern communities has been limited. This study 1) defines the sea ice features that influence travel for two communities in the Western Canadian Arctic, 2) identifies the utility of SAR for enhancing mobility and safety while traversing environments with these features, and 3) describes methods for sharing SAR-based maps. Three field seasons (spring and fall 2017 and spring 2018) were used to engage residents in locally guided research, where applied outputs were evaluated by community members. We found that SAR image data inform and improve sea ice safety, trafficability, and education. Information from technology is desired to complement Inuit knowledge-based understanding of sea ice features, including surface roughness, thin sea ice, early and late season conditions, slush and water on sea ice, sea ice encountered by boats, and ice discontinuities. Floe edge information was not a priority. Sea ice surface roughness was identified as the main condition where benefits to trafficability from SAR-based mapping were regarded as substantial. Classified roughness maps are designed using thresholds representing domains of sea ice surface roughness (smooth ice/maniqtuk hiku, moderately rough ice/maniilrulik hiku, rough ice/maniittuq hiku; dialect is Inuinnaqtun). These maps show excellent agreement with local observations. Overall, SAR-based maps tailored for on-ice use are beneficial for and desired by northern community residents, and we recommend that high-resolution products be routinely made available in communities.
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 | 0,001 | 0,001 |
| 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 | 0,007 | 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 ».