Retrieval of ice/water observations from synthetic aperture radar imagery for use in lake ice data assimilation
Notice bibliographique
Résumé
High-resolution lake ice/water observations retrieved from satellite imagery through efficient, automated methods can provide critical information to lake ice forecasting systems. Synthetic aperture radar (SAR) data is well-suited to this purpose due to its high spatial resolution (approximately 50 m). With recent increases in the volume of SAR data available, the development of automated retrieval methods for these data is a priority for operational centres. However, automated retrieval of ice/water data from SAR imagery is difficult, due to ambiguity in ice and open water signatures, both in terms of image tone and in terms of parameterized texture features extracted from these images. Convolutional neural networks (CNNs) can learn features from imagery in an automated manner, and have been found effective in previous studies on sea ice concentration estimation from SAR. In this study the use of CNNs to retrieve ice/water observations from dual-polarized SAR imagery of two of the Laurentian Great Lakes, Lake Erie and Lake Ontario, is investigated. For data assimilation, it is crucial that the retrieved observations are of high quality. To this end, quality control measures based on the uncertainty of the CNN output to eliminate incorrect retrievals are discussed and demonstrated. The quality control measures are found to be effective in both dual-polarized and single-polarized retrievals. The ability of the CNN to downscale the coarse resolution training labels is demonstrated qualitatively.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».