Coastal Sea Ice Concentration Derived from Marine Radar Images: A Case Study from Utqiaġvik, Alaska
Notice bibliographique
Résumé
We apply the Canny edge algorithm to imagery from the Utqiaġvik coastal sea ice radar system (CSIRS) to identify regions of open water and sea ice and quantify ice concentration. The radar-derived sea ice concentration (SIC) is compared against the (closest to the radar field of view) 25 km resolution NSIDC Climate Data Record (CDR) and the 1 km merged MODIS-AMSR2 sea ice concentrations within the ∼11 km field of view for the year 2022–2023, when improved image contrast was first implemented. The algorithm was first optimized using sea ice concentration from 14 different images and 10 ice analysts (140 analyses in total) covering a range of ice conditions with landfast ice, drifting ice, and open water. The algorithm is also validated quantitatively against high-resolution MODIS-Terra in the visible range. Results show a correlation coefficient and mean bias error between the optimized algorithm, the CDR and MODIS-AMSR2 daily SIC of 0.18 and 0.54, and ∼−1.0 and 0.7%, respectively, with an averaged inter-analyst error of ±3%. In general, the CDR captures the melt period correctly and overestimates the SIC during the winter and freeze-up period, while the merged MODIS-AMSR2 better captures the punctual break-out events in winter, including those during the freeze-up events (reduction in SIC). Remnant issues with the detection algorithm include the false detection of sea ice in the presence of fog or precipitation (up to 20%), quantified from the summer reconstruction with known open water conditions. The proposed technique allows for the derivation of the SIC from CSIRS data at spatial and temporal scales that coincide with those at which coastal communities members interact with sea ice. Moreover, by measuring the SIC in nearshore waters adjacent to the shoreline, we can quantify the effect of land contamination that detracts from the usefulness of satellite-derived SIC for coastal communities.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».