Assessing the Performance of Methods for Monitoring Ice Phenology of the World’s Largest High Arctic Lake Using High-Density Time Series Analysis of Sentinel-1 Data
Notice bibliographique
Résumé
Lake ice is a dominant component of Canada’s landscape and can act as an indicator for how freshwater aquatic ecosystems are changing with warming climates. While lake ice monitoring through government networks has decreased in the last three decades, the increased availability of remote sensing images can help to provide consistent spatial and temporal coverage for areas with annual ice cover. Synthetic aperture radar (SAR) data are commonly used for lake ice monitoring, due to the acquisition of images in any condition (time of day or weather). Using Sentinel-1 A/B images, a high-density time series of SAR images was developed for Lake Hazen in Nunavut, Canada, from 2015–2018. These images were used to test two different methods of monitoring lake ice phenology: one method using the first difference between SAR images and another that applies the Otsu segmentation method. Ice phenology dates determined from the two methods were compared with visual interpretation of the Sentinel-1 images. Mean errors for the pixel comparison of the first difference method ranged 3–10 days for ice-on and ice-off, while average error values for the Otsu method ranged 2–10 days. Mean errors for comparisons of different sections of the lake ranged 0–15 days for the first difference method and 2–17 days for the Otsu method. This research demonstrates the value of temporally consistent image acquisition for improving the accuracy of lake ice monitoring.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».