Ice Concentration From Dual-Polarization SAR Images Using Ice and Water Retrievals at Multiple Spatial Scales
Notice bibliographique
Résumé
A new technique for automated retrieval of ice concentration from RADARSAT-2 dual-polarization HH-HV ScanSAR Wide images for subsequent assimilation in ice numerical models is presented. First, we extended our previously introduced ice and water detection approach operating at a 2.05 km x 2.05 km spatial scale to a set of 19 different spatial scales ranging from 2.05 km (41 pixels) down to 0.25 km (5 pixels). As the spatial resolution was increased, the overall accuracy of ice and water detection stayed at a very high level across all scales (between 99.5% and 99.8%), but the number of water retrievals substantially dropped. Second, we designed an approach for estimating ice concentration in a 2 km × 2 km (40 × 40 pixels) area consisting of 64 5 × 5 pixel blocks. The 5 × 5 pixel blocks which are initially classified as unknowns are iteratively combined in clusters with effective spatial scales larger than 5 pixels. The clusters are further classified as ice or water using the ice probability model corresponding to the effective spatial scale. The 40 x 40 pixel area becomes populated with high-resolution (5 x 5 pixels) ice and water retrievals, and the ice concentration is estimated based on the number of ice and water retrievals. The proposed approach produces a much better agreement with the Canadian Ice Service Image Analysis ice concentrations (rootmean-square error (RMSE) = 2.2%) compared to the original 2-km ice/water detection approach (RMSE = 19.9%). The developed technique will be adapted to the RADARSAT Constellation Mission data for data assimilation in Environment and Climate Change Canada Regional Ice-Ocean Prediction System.
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 | 0,001 | 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 ».