MétaCan
Menu
Retour à la cohorte
Enregistrement W4312331642 · doi:10.1109/lgrs.2022.3223689

Winter Sea-Ice Lead Detection in Arctic Using FY-3D MERSI-II Data

2022· article· en· W4312331642 sur OpenAlexaff
Qingmin Wang, Mohammed Shokr, Shiyi Chen, Zhaojun Zheng, Xiao Cheng, Fengming Hui

Notice bibliographique

RevueIEEE Geoscience and Remote Sensing Letters · 2022
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesNational Key Research and Development Program of ChinaNational Natural Science Foundation of China
Mots-clésLead (geology)Brightness temperatureSea iceEnvironmental scienceThermal infraredSatelliteArcticRemote sensingArctic ice packOpen waterGeologyBrightnessInfraredClimatologyOceanographyGeomorphology

Résumé

récupéré en direct d'OpenAlex

Lead is an important feature of the Arctic ice cover, with possible contents of thin ice /or open water. In this letter, we present an algorithm for lead detection based on brightness temperature observations from a single thermal infrared channel of MERSI-II onboard the Chinese FY-3D satellite. Lead contents is classified into open water and thin ice with support information from Sentinel-1 SAR data. Results are evaluated based on visual interpretation of MERSI-II TIR (Thermal infrared) and Sentinel-2 NIR (Near Infrared) data. The accuracy is found to be 85.6% for lead detection and 67% and 52% for thin ice and open water within the lead, respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,948
Score d'incertitude au seuil0,985

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,227
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Geoscience and Remote Sensing LettersMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207