Automated ocean front feature mapping using Sentinel-1 with examples from the Gulf Stream
Notice bibliographique
Résumé
This study assessed the ability of Sentinel-1 radial velocity (RVL) products to mark the position of ocean current front features, using the Gulf Stream (GS) as a case study. RVL-derived front features were compared to fronts derived from Multi-scale Ultra-high Resolution Sea Surface Temperature Analysis (MURSST) data. A ridge filter was used to find fronts in both the Sea Surface Temperature (SST) and RVL data, and the similarity between each pair of fronts was measured using the discrete Hausdorff Distance (HD) and Mean Hausdorff Distance (MHD). Front features were correctly identified in concurrent SST and RVL data pairs in 65% of cases. The automatic front extraction sometimes failed by misclassifying an eddy or similar ocean feature as the ocean current in either the RVL or SST image, and sometimes failed to extract the entire length of the front visible within the image. SST and RVL fronts were classified manually to determine the success rate of the automatic front extraction, and to exclude front extraction errors from further analysis. The results demonstrated that RVL products were effective at determining the location of ocean fronts where the angle between the front’s normal vector and the sensor’s azimuthal heading is less than ~ 40°. A mean HD of 25.5 km and a mean MHD of 10.8 km was calculated for all front pairs in the study area.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 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 ».