Assessing the Usefulness of Iceberg Electromagnetic Backscatter Modeling Using a C-Band SAR Classifier
Notice bibliographique
Résumé
This letter presents the validation of an electromagnetic (EM) backscatter model of icebergs at C-band by comparing the performances of target classifiers trained with both modeled and real synthetic aperture radar (SAR) data. Simulated SAR data were obtained in a combination of imaging beam modes and scene parameters to produce 216 simulated Sentinel-1 C-band SAR images. Parameters consisted of Sentinel-1 IW1 (33.1°) and IW3 (43.1°) beam modes with varying wind speed (5 and 10 m/s), wind direction (0°, 45°, and 90°), and target orientation (0°, 45°, and 90°). Simulations were created from an EM SAR simulator called GRECOSAR, which took 3-D profiles of iceberg and ship targets and parameters necessary to closely mimic the real scenes. 3-D models of three icebergs were captured in a field study off the coast of Bonavista, Newfoundland, and Labrador, Canada in June 2017. Three generic ship models were sourced from an online inventory and scaled to a size equivalent to that of the iceberg targets. Real SAR image data were drawn from in-house data set collected from a complementary research program. Classifiers including support vector machine (SVM), Random Forest (RanFor), k-nearest neighbor (kNN), and neural network (NN) were trained with targets from modeled SAR data and then gradually mixed with real SAR data. Target classifier performance from the modeled target data was shown to be similar to classifiers trained entirely from real SAR data. The similarity in accuracy provides an indication of the validity of the modeled SAR data for this specific application.
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 | 0,000 |
| 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 ».