Sea-Ice Mapping of RADARSAT-2 Imagery by Integrating Spatial Contexture With Textural Features
Notice bibliographique
Résumé
Mapping different types of sea ice that form, grow, and melt in polar oceans is essential for shipping navigation, climate change modeling, and local community safety. Currently, ice charts are manually generated by analysts at the Canadian Ice Service (CIS) based on dual-polarized RADARSAT-2/RADARSAT Constellation Mission (RCM) imagery on a daily basis. Inspired by the demand for a computer-based mapping system, we have developed an automatic sea ice classification method that integrates spatial contexture (unsupervised segmentation) with textural features (supervised pixel-level labeling). First, the full-scene image is oversegmented, and the segments are merged into homogeneous regions across the entire scene. Second, pixel-based classifiers (support vector machine, random forest) are compared for their ability to label the generated homogeneous regions. Finally, the segmentation and labeling are combined using a proposed energy function. The proposed method was tested on 18 dual-polarization RADARSAT-2 scenes acquired over the Beaufort Sea. This dataset contains water, young ice, first-year ice, and multi-year ice covering melt, summer, and freeze-up seasons. The proposed method obtains an average classification accuracy of 86.33% based on the leave-one-out validation. The experimental results show that the proposed method achieves promising classification results in both quantity and quality measurements compared to benchmark methods. The robustness against incidence angle variance indicates that the proposed method is well-qualified for operational sea ice mapping.
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 | 0,001 |
| 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 ».