High Resolution Sea Ice Concentration Using a Sentinel-1 U-Net Ice-Water Classifier
Notice bibliographique
Résumé
Accurate and high-resolution sea ice concentration (SIC) mapping is essential for polar navigation, environmental monitoring, and assimilation into forecast models. Traditional passive microwave sensors, such as AMSR2, provide reliable SIC estimates but are limited by coarse (5 km) resolution, particularly near coastlines and regions with mixed ice and open water, where finer spatial detail is critical. Synthetic aperture radar (SAR) imagery offers a high-resolution alternative. This study applies a U-Net convolutional neural network to Sentinel-1 SAR data, utilizing pixelwise ice-water labels to enhance SIC mapping. To address SAR noise challenges, we incorporate multilooking, adaptive noise correction, and overlapping patches at inference to improve SIC accuracy while preserving fine-scale features. We trained the U-Net across multilooking levels to balance resolution, noise reduction, and computational efficiency, allowing the model to handle noise artefacts effectively. Our results identify an optimal 7 × 7 multilooking level, achieving 280 m ice-water labels and a 2.5 km SIC field when an additional 9 × 9 SIC window is applied. This configuration enhances traditional SIC products by improving the representation of the ice edge, leads, and near-coastal features, which are critical for operational applications. SAR-derived SIC addresses the limitations of passive microwave products by providing superior spatial detail and ice edge resolution. Incorporating additional information from AMSR2 or wind features could strengthen SIC robustness and minimize the misclassification of open water, which is present in the results. These advancements would establish SAR-based SIC as a valuable tool for operational sea ice monitoring and integration into high-resolution models.
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) | 0,000 | 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 ».