Sea Ice Concentration Estimation: Using Passive Microwave and SAR Data With a U-Net and Curriculum Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ice concentration estimates are typically acquired from algorithms using passive microwave satellite data, and from image analysis charts, but these have limitations. Estimates acquired from passive microwave data have coarse spatial resolution, may have errors due to atmospheric contamination, and often perform poorly in marginal ice zones. Image analysis charts are not as precise, subject to analyst interpretation, and only available over specific geographic areas. We have implemented a U-net with synthetic aperture radar images as inputs and use ice concentration estimates retrieved from passive microwave data as training labels. The U-net, due to not being sensitive to patch size, is shown to be an improvement over previous work with convolutional neural networks that use fully connected layers at the output. Data augmentation and an L1 loss function were applied along with a novel training scheme that leverages curriculum learning. In this training scheme, the model is first trained with samples from open water and consolidated ice regions before incorporating samples from marginal ice regions. In a tenfold cross validation experiment, we achieve 3–4% mean absolute error comparing to estimates using passive microwave data and observe curriculum learning models having more stable training. Predictions on four with-held SAR scenes with difficult ice conditions were evaluated with image analysis charts. A mean absolute error of 7.18% is achieved, which is lower than errors associated with passive microwave data alone. Qualitative improvements in marginal ice zone estimates are achieved, while still preserving smooth consolidated ice regions, and openings in ice cover.
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.
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 découle