Arctic Sea Ice Classification Based on CFOSAT SWIM Data at Multiple Small Incidence Angles
Notice bibliographique
Résumé
Sea ice type is the key parameter of Arctic sea ice monitoring. Microwave remote sensors with medium incidence and normal incidence modes are the primary detection methods for sea ice types. The Surface Wave Investigation and Monitoring instrument (SWIM) on the China-France Oceanography Satellite (CFOSAT) is a new type of sensor with a small incidence angle detection mode that is different from traditional remote sensors. The method of sea ice detection using SWIM data is also under development. The research reported here concerns ice classification using SWIM data in the Arctic from October 2019 to April 2020. Six waveform features are extracted from the SWIM echo data at small incidence angles, then the distinguishing capabilities of a single feature are analyzed using the Kolmogorov-Smirnov distance. The classifiers of the k-nearest neighbor and support vector machine are established and chosen based on single features. Moreover, sea ice classification based on multi-feature combinations is carried out using the chosen KNN classifier, and optimal combinations are developed. Compared with sea ice charts, the overall accuracy is up to 81% using the optimal classifier and a multi-feature combination at 2°. The results reveal that SWIM data can be used to classify sea water and sea ice types. Moreover, the optimal multi-feature combinations with the KNN method are applied to sea ice classification in the local regions. The classification results are analyzed using Sentinel-1 SAR images. In general, it is concluded that these multifeature combinations with the KNN method are effective in sea ice classification using SWIM data. Our work confirms the potential of sea ice classification based on the new SWIM sensor, and highlight the new sea ice monitoring technology and application of remote sensing at small incidence angles.
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 | 0,001 |
| 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 ».