MétaCan
Menu
Retour à la cohorte
Enregistrement W4312941438 · doi:10.1109/igarss46834.2022.9883731

Comparison of Sea Ice Classification from RCM and Sentinel-1 SAR Imagery

2022· article· en· W4312941438 sur OpenAlexafffund
Hangyu Lyu, Weimin Huang

Notice bibliographique

RevueIGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium · 2022
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Space AgencyOcean Frontier Institute
Mots-clésRemote sensingSynthetic aperture radarConstellationSea iceEarth observationConvolutional neural networkC bandComputer scienceGeologyMeteorologySatelliteArtificial intelligenceGeographyPhysics

Résumé

récupéré en direct d'OpenAlex

As a typical representative of the next generation SAR mission, the RADARSAT Constellation Mission (RCM) provides three C-band SAR satellites with shorter revisit time and broader spatial coverage, which will be widely used in various earth observation applications including sea ice sensing. The Sentinel-1 mission comprises two C-band SAR satellites with dual-polarized imaging capability, providing open and free data from the European Space Agency (ESA). Sea ice classification results of the two C-band SAR missions with a state-of-the-art convolutional neural network: Normalizer-Free ResNet (NFNet) are compared in this paper. HH, HV and cross-polarization ratio are extracted from the overlapping area of dual-polarized RCM and Sentinel-1 images acquired on similar dates. The sea ice classification results shows that RCM Medium Resolution 50m mode performs better than Sentinel-1 EW GRD Medium Resolution mode for the data used in this study.

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)0,000
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 enseignants0,900
Score d'incertitude au seuil0,844

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,021
Tête enseignante GPT0,266
Écart entre enseignants0,245 · 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

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing SymposiumMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207