An improved sea ice detection algorithm using MODIS: application as a new European sea ice extent indicator
Notice bibliographique
Résumé
Abstract. The continued loss of sea ice in the Northern Hemisphere due to global warming poses a threat to biota and human activities, evidencing the necessity of efficient sea ice monitoring tools. Aiming at the creation of an improved sea ice extent indicator covering the European regional seas, the new IceMap500 algorithm has been developed to classify sea ice and water at a resolution of 500 m at nadir. IceMap500 features a classification strategy built upon previous MODIS sea ice extent algorithms and a new method to reclassify areas affected by resolution-breaking features inherited from the MODIS cloud mask. This approach results in an enlargement of mapped area, a reduction of potential error sources and a better delineation of the sea ice edge, while still systematically achieving accuracies above 90 %, as obtained by manual validation. Swath maps have been aggregated at a monthly scale to obtain sea ice extent with a method that is sensitive to spatio-temporal variations in the sea ice cover and that can be used as an additional error filter. The resulting dataset, covering the months of maximum and minimum sea ice extent (i.e. March and September) over 2 decades (from 2000 to 2019), demonstrates the algorithm's applicability as a monitoring tool and as an indicator, illustrating the sea ice decline at a regional scale. The European sea regions located in the Arctic, NE Atlantic and Barents seas display clear negative trends in both March (−27.98 ± 6.01 × 103 km2yr−1) and September (−16.47 ± 5.66 × 103 km2yr−1). Such trends indicate that the sea ice cover is shrinking at a rate of ∼ 9 % and ∼ 13 % per decade, respectively, even though the sea ice extent loss is comparatively ∼ 70 % greater in March.
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 | 0,001 |
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 ».