Sea ice recognition for CFOSAT SWIM at multiple small incidence angles in the Arctic
Notice bibliographique
Résumé
Sea ice recognition is one of the main tasks for sea ice monitoring in the Arctic and is also applied for the detection of other ocean phenomena. The Surface Wave Investigation and Monitoring (SWIM) instrument, as an innovative remote sensor that operates at multiple small incidence angles, is different from existing sensors with moderate and normal incidence modes for sea ice monitoring. Sea ice recognition at small incidence angles has rarely been studied. Moreover, SWIM uses a discrimination flag of sea ice and sea water to remove sea ice from sea wave products. Therefore, this research focuses on sea ice recognition in the Arctic based on SWIM data from October 2020 to April 2021. Eleven features are first extracted, and applied for the analysis of the waveform characteristics using the cumulative probability distribution (CPD) and mutual information measurement (MIM). Then, random forest (RF), k-nearest neighbor (KNN) and support vector machine (SVM) classifiers are built, and their abilities of sea ice recognition are assessed. The optimal classifier is the KNN method with Euclidean distance and k equal to 11. Feature combinations are also used to separate sea ice and sea water based on the KNN method to select the optimal combination. Thus, the optimal classifier-feature assembly at each small incidence angle is established, and the highest overall accuracy reaches 97.1%. Moreover, the application of the optimal classifier–feature assemblies is studied, and its performance is fairly good. These assemblies yield high accuracies in the short- and long-term periods of sea ice recognition, and the overall accuracies are greater than 93.1%. So, the proposed method satisfies the SWIM requirement of removing the sea ice effect. Moreover, sea ice extents and edges can be extracted from SWIM sea ice recognition results at a high level of precision greater than 94.8%. As a result, the optimal classifier–feature assemblies based on SWIM data express the effectiveness of the SWIM approach in sea ice recognition. Our work not only highlights the new sea ice monitoring technology of remote sensing at small incidence angles, but also studies the application of SWIM data in sea ice services.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».