Comment on tc-2023-17
Notice bibliographique
Résumé
Abstract. In this study, we pursue two objectives: first, we compare six different “Constant-False-Alarm-Rate" (CFAR) algorithms for iceberg detection in SAR images, and second, we investigate the effect of radar frequency by comparing the detection performance at C- and L-band. The SAR images were acquired over the Labrador Sea under melting conditions. In an overlapping optical Sentinel-2 image, 492 icebergs were identified in the area. They were used for an assessment of the algorithms’ capabilities to accurately detect them in the SAR images and for the determination of the number of false alarms and missed detections. By testing the detectors at varying probability of false alarm (PFA) levels, the optimum PFA for each detector was found. Additionally, we considered the effect of iceberg sizes in relation to image resolution. The results showed that the overall highest accuracy was achieved by applying a Log-normal CFAR detector to the L-band image (F-score of 70.4 %), however, only for a narrow range of PFA values. Three of the tested detectors provided high F-scores above 60 % over a wider range of PFA values both at L- and C-band. Low F-scores were mainly caused by missed detections of small (< 60 m) and medium-sized (60–120 m) icebergs, with approximately 20–40 % of the medium icebergs and 85–90 % of small icebergs being missed by all detectors. The iDPolRad detector which is sensitive to volume scattering is less suitable under melting conditions.
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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,028 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,207 | 0,227 |
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 ».