Integrating intensity and context for improved supervised river ice classification from dual-pol Sentinel-1 SAR data 
Notice bibliographique
Résumé
River ice is a major contributor to flood risk in cold regions due to the physical impediment of flow caused by ice jamming. Although a variety of classifiers have been developed to distinguish ice types using HH or VV intensity of SAR data, mostly based on data from RADARSAT-1 and -2, these classifiers still experience problems with breakup classification, because meltwater development causes overlap in co-polarization backscatter intensities of open water and sheet ice pixels. In this study, we develop a Random Forest classifier based on multiple features of Sentinel-1 data for three main classes generally present during breakup: rubble ice, sheet ice and open water, in a case study over the Athabasca River in Canada. For each ice stage, intensity of the VV and VH backscatter, pseudo-polarimetric decomposition parameters and Grey Level Co-occurrence Matrix texture features were computed for 70 verified sample areas. Several classifiers were developed, based on i) solely intensity features or on ii) a combination of intensity, pseudo-polarimetric and texture features and each classifier was evaluated based on Recursive Feature Elimination with Cross-Validation and pair-wise correlation of the studied features. Results show improved classifier performance when including GLCM mean of VV intensity, and VH intensity features instead of the conventional classifier based solely on intensity. This highlights the importance of texture and intensity features when classifying river ice. GLCM mean incorporates spatial patterns of the co-polarized intensity and sensitivity to context, while VH intensity introduces cross-polarized surface and volume scattering signals, in contrast to the commonly used co-polarized intensity. We conclude that the proposed method based on the combination of texture and intensity features is suitable for and performs well in physically complex situations such as breakup, which are hard to classify otherwise. This method has a high potential for classifying river ice operationally, also for data from other SAR missions. Since it is a generic approach, it also has potential to classify river ice along other rivers globally.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».