Observations of River Ice Breakup Using GNSS-IR, SAR, and Machine Learning
Notice bibliographique
Résumé
Global Navigation Satellite System-Interferometric Reflectometry (GNSS-IR) is an emerging sensor technique that has become well-established for water level monitoring. While GNSS-IR has previously been employed for monitoring properties of lake ice and sea ice, it has not been applied for monitoring river ice. This paper presents results from monitoring river ice breakup at three sites in Canada. GNSS-IR data was compared to co-located time-lapse camera imagery and it was found that GNSS-IR signal was sensitive to periods where there is rough or broken ice in view of the sensor. Using data from Sentinel-1 and the RADARSAT Constellation Mission (RCM), the first ever comparison of GNSS-IR with Synthetic Aperture Radar (SAR) imagery is presented and a negative correlation of -0.8 is found between the GNSS-IR spectral power and SAR backscatter. Three classification algorithms of varying complexity (K-means clustering, neural network and random forest) are explored for detecting river ice using GNSS-IR. Using a shallow neural network with two hidden layers, an optimal accuracy of up to 94% is achieved over all three sites, or 97% when mixed water-ice conditions are excluded from the analysis. In summary, GNSS-IR has strong potential for ice monitoring applications, including monitoring the formation of ice jams.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 tête enseignante, 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 ».