Arctic Wintertime Sea Ice Lead Detection From Sentinel-1 SAR Images
Notice bibliographique
Résumé
Leads are almost linear fractures within the ice pack, which are commonly observed in polar regions. In wintertime, leads promote energy flux from the underlying ocean to the atmosphere. Synthetic aperture radar (SAR) can monitor leads at a finer spatial resolution than other spaceborne datasets, regardless of solar illumination and atmospheric conditions. However, the SAR-based lead detection methods proposed to date are restricted to some specific areas, instead of the entire Arctic. In this article, we present a generalized deep learning-based approach for automatic sea ice lead detection (SILDET) in the Arctic wintertime using Sentinel-1 SAR images. The validation results show that SILDET has the capability of detecting open and frozen leads at different stages of development. Compared with the visual interpretation of Sentinel-1 images, the overall detection accuracy is 97.80% and the Kappa coefficient is 0.88. The lead map of a regional study obtained from SILDET was compared to that from a previous SAR-based lead detection method and a lead dataset based on Moderate Resolution Imaging Spectroradiometer (MODIS) data. The lead map was also validated using Sentinel-2 images. The result shows that SILDET can provide a more detailed distribution of leads and a better estimation of lead width and area. SILDET was applied to present the Arctic-wide lead distribution from January to April 2023 with a spatial resolution of 40 m. The Arctic-wide lead width distribution follows a power law with an average exponent of 1.65. The SILDET approach can be expected to provide long-term high-resolution lead distribution records.
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 ».