MYI Floes Identification Based on the Texture and Shape Feature from Dual-Polarized Sentinel-1 Imagery
Notice bibliographique
Résumé
The Northwest Passage (NWP) in the Arctic is usually covered with hazardous multi-year ice (MYI) and seasonal first-year ice (FYI) in winter, with possible thin ice and open-water areas during transition seasons. Ice classification is important for both marine navigation and climate change studies. Satellite-based Synthetic Aperture Radar (SAR) systems have shown advantages of retrieving this information. Operational ice mapping relies on visual analysis of SAR images along with ancillary data. However, these maps estimate ice types and concentrations within large-size polygons of a few tens or hundreds of kilometers, which are subjectively identified and selected by analysts. This study aims at developing an automated algorithm to identify individual MYI floes from SAR images then classify the rest of the image as FYI and other ice types. The algorithm identifies the MYI floes using extended-maximum operator, morphological image processing, and a few geometrical features. Classifying the rest of the image uses texture and neural network model. The input data is a set of Sentinel-1 A/B Extended Wide (EW) mode images, acquired between September and March 2016–2019. Although the overall accuracy (for all type classification) from the new method scored 93.26%, the accuracy from using the texture classifier only was 75.81%. The kappa coefficient from the former was higher than the latter by 0.25. Compared with the operational ice charts from the Canadian Ice Service, ice type maps from the new method show better distribution of MYI at the fine scale of individual floes. Comparison against MYI concentration from two automated algorithms that use a combination of coarse-resolution passive and active microwave data also confirms the advantage of resolving MYI floes from the fine-resolution SAR.
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 | 0,000 | 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 ».