IceEB: An ensemble-based method to map river ice type from radar images
Notice bibliographique
Résumé
This paper introduces IceEB, i.e., an innovative ensemble-based method that is designed to automate mapping of river ice types using radar imagery. Its goal is the merger of outcomes from three classifiers (IceMAP-R, RIACT, and IceBC) through ensemble-estimation, resulting in a highly performant and fully automated river ice-type map, which is applicable under all meteorological conditions. The first step of our research is the development of a meta-classifier and a confidence estimation index, then we validate our method using ground-truth datasets and finally compare the performance between IceEB and the original classifiers. The anticipated outcome was a map exhibiting superior results compared to individual classifiers. Validation and comparison of IceEB employed six RADARSAT-2 HH-HV C-band images that were selected from historical datasets of Quebec and Alberta rivers (Canada). IceEB integrates RADARSAT-2 satellite imagery, a digital elevation model, and a river mask, undergoing preprocessing tasks before activating the three initial classifiers. The meta-classifier then performs ensemble-based classification, yielding a legend comprised of water, sheet ice and rubble ice. This approach facilitates broad participation in validation data collection, differentiation between ice covers and ice jams, and minimization of assumptions regarding ice formation. We conclude that IceEB successfully combines existing radar remote sensing ice- classification models to create accurate river ice-type maps. IceEB’s ensemble-based approach outperforms individual classifiers, achieving overall accuracy >91 % for each class. Shortcomings of the original classifiers are effectively offset through parallel use, resulting in marked improvements in automation and generalizability across diverse Canadian meteorological conditions.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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 ».