A Meta-Analysis of Sea Ice Monitoring Using Spaceborne Polarimetric SAR: Advances in the Last Decade
Notice bibliographique
Résumé
Sea ice profoundly influences ocean circulation, the polar environment, biology, climate, and commercial activities. The rapidly changing sea ice environment and increased human activities in polar regions drive the demand for sea ice monitoring. Spaceborne synthetic aperture radar (SAR) has been widely adopted for sea ice sensing due to its all-weather, high spatial resolution, and day-and-night imaging capabilities. Previous reviews have addressed sea ice sensing based on various applications and sensors. However, no meta-analysis has been performed to specifically explore spaceborne polarimetric SAR-data-based sea ice sensing. Therefore, this study aims to provide a meta-analysis of spaceborne polarimetric SAR-data-based sea ice sensing by investigating 182 articles published in the last decade. Sea ice sensing applications for retrieving four key geophysical parameters (sea ice types, concentration, thickness, and motion) as well as SAR scattering characteristics analysis for sea ice are included. The review database was created with 15 fields including quantitative and qualitative perspectives, such as SAR frequency, polarization mode, methodology, evaluation metrics, etc. This meta-analysis aims to provide comparisons among different techniques and identify current challenges to determine effective methods for sea ice sensing. Overall, a snapshot of spaceborne polarimetric SAR-data-based sea ice sensing is presented through the meta-analysis, which could benefit researchers for future studies to advance this field.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,001 |
| 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 ».