The RADARSAT Constellation Mission Core Applications: First Results
Notice bibliographique
Résumé
The Canadian RADARSAT Constellation Mission (RCM) has passed its early operation phase with the performance evaluation being currently active. This evaluation aims to confirm that the innovative design of the mission’s synthetic aperture radar (SAR) meets the expectations of intended users. In this study, we provide an overview of initial results obtained for three high-priority applications; flood mapping, sea ice analysis, and wetland classification. In our study, the focus is on results obtained using not only linear polarization, but also the adopted Compact Polarimetric (CP) architecture in RCM. Our study shows a promising level of agreement between RCM and RADARSAT-2 performance in flood mapping using dual-polarized HH-HV SAR data over Red River, Manitoba, suggesting smooth continuity between the two satellite missions for operational flood mapping. Visual analysis of coincident RCM CP and RADARSAT-2 dual-polarized HH-HV SAR imagery over the Resolute Passage, Canadian Central Arctic, highlighted an improved contrast between sea ice classes in dry ice winter conditions. A statistical analysis using selected sea ice samples confirmed the increased contrast between thin and both rough and deformed ice in CP SAR. This finding is expected to enhance Canadian Ice Service’s (CIS) operational visual analysis of sea ice in RCM SAR imagery for ice chart production. Object-oriented classification of a wetland area in Newfoundland and Labrador by fusion of RCM dual-polarized VV-VH data and Sentinel-2 optical imagery revealed promising classification results, with an overall accuracy of 91.1% and a kappa coefficient of 0.87. Marsh presented the highest user’s and producer’s accuracies (87.77% and 82.08%, respectively) compared to fog, fen, and swamp.
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 | 0,002 | 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 ».