Characterizing winter landfast sea-ice surface roughness in the Canadian Arctic Archipelago using Sentinel-1 synthetic aperture radar and the Multi-angle Imaging SpectroRadiometer
Notice bibliographique
Résumé
Abstract Two satellite datasets are used to characterize winter landfast first-year sea-ice (FYI), deformed FYI (DFYI) and multiyear sea-ice (MYI) roughness in the Canadian Arctic Archipelago (CAA): (1) optical Multi-angle Imaging SpectroRadiometer (MISR) and (2) synthetic aperture radar Sentinel-1. The Normalized Difference Angular Index (NDAI) roughness proxy derived from MISR, and backscatter from Sentinel-1 are intercompared. NDAI and backscatter are also compared to surface roughness derived from an airborne LiDAR track covering a subset of FYI and MYI (no DFYI). Overall, NDAI and backscatter are significantly positively correlated when all ice type samples are considered. When individual ice types are evaluated, NDAI and backscatter are only significantly correlated for DFYI. Both NDAI and backscatter are correlated with LiDAR-derived roughness ( r = 0.71 and r = 0.74, respectively). The relationship between NDAI and roughness is greater for MYI than FYI, whereas for backscatter and ice roughness, the relationship is greater for FYI than MYI. Linear regression models are created for the estimation of FYI and MYI roughness from NDAI, and FYI roughness from backscatter. Results suggest that using a combination of Sentinel-1 backscatter for FYI and MISR NDAI for MYI may be optimal for mapping winter sea-ice roughness in the CAA.
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 ».