Investigating coincident L- and S-band ASAR imagery over Arctic sea ice
Notice bibliographique
Résumé
Our investigation into coincident L- and S-band ASAR (airborne synthetic aperture radar) imagery explored Arctic sea ice separability in the Beaufort Sea, particularly in light of the imminent launch of the NASA-ISRO Synthetic Aperture Radar (NISAR) mission. Our research has revealed an improved capability to separate i) multi-year and first-year sea ice at the S-band imagery, as well as ii) a higher separability within first-year sea ice classes at L-band imagery. We have also reported that wind-roughened melt ponds show a distinct signature in the S-band. Importantly, our machine learning algorithm has achieved higher accuracy in sea ice classification at the S-band than the L-band. These findings have significant implications for the future of sea ice research and operations using SAR imagery from the NISAR mission. • Airborne L- and S-band SAR imagery are investigated over sea ice in the Beaufort Sea. • Improved multi-year ice detection is found in S-band imagery. • L-band detects thinner sea ice classes with improved accuracy. • The S-band imagery shows a higher capability to detect wind-roughened newly formed lead. • The overall accuracy of sea ice mapping is higher at the S-band than at the L-band.
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 | 0,000 | 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) | 0,002 | 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 ».