Fusing Ice Surface Temperature with the AI4Arctic Dataset for Enhanced Sea Ice Concentration Estimation: A Preliminary Assessment
Notice bibliographique
Résumé
While Arctic sea ice mapping supports several key applications (e.g., navigation, climate monitoring), its accuracy is impacted by remote sensing uncertainties and data limitations. The recent AI4Arctic dataset combines Sentinel-1 Synthetic Aperture Radar (SAR) imagery, AMSR2 brightness temperature (TB) measurements, ERA-5 reanalysis data, and ice charts to improve deep learning-based mapping approaches. Nevertheless, AI4Arctic excludes thermal infrared data and it is critical to explore the use of these products, which may improve predictions where SAR and passive microwave measurements are challenging to interpret. This study investigates the use of VIIRS ice surface temperature (IST) for improving SIC predictions. Our work builds on a competitive U-Net architecture, which estimates three parameters for automated sea ice mapping: SIC, stage of development, and floe size. A 30-scene subset of the AI4Arctic dataset is selected based on established criteria, and co-registered with VIIRS IST data. The impacts of fusing IST with other remote sensing data at the input- and feature-levels are explored using two fusion architectures. Experimental trials are conducted using these models, spanning six input channel combinations. Predictions are compared using evaluation metrics and SIC maps. When using IST measurements in combination with the original input channels, both the input- and feature-level approaches outperform the baseline model. This preliminary study suggests that IST data, in combination with TB measurements, improves predictions where ambiguous textures are present in SAR imagery or PM data is not able to contribute.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».