Spatial Temporal Compensation for Sea Ice Classification From GNSS-R Data
Notice bibliographique
Résumé
This study proposes the use of a per-track normalization scheme and ancillary temporal and temperature data to improve the performance of global navigation satellite system reflectometry (GNSS-R) based sea ice classification. GNSS-R data and sea ice type labels were provided by TechDemoSat-1 (TDS-1) and National Snow and Ice Data Center (NSIDC) datasets, respectively. The delay Doppler maps (DDMs) from TDS-1 were used to compute DDM average (DDMA) observable values to which the proposed per-track normalization scheme was applied. The transformed observables with ancillary time and temperature data were provided to a random forest (RF) machine learning classifier to perform the final sea ice classifications. The purpose of this proposed method was to standardize power measurements across different TDS-1 tracks and to compensate for seasonal changes in sea ice that complicate sea ice classification. When using TDS-1 data within the temporal and geographic scope of this study, the method reported a testing accuracy of 84.86% and per-class F1 scores of 90.11%, 64.20%, and 81.59% for first-year ice (FYI), multi-year ice (MYI), and thin ice (TI), respectively. The proposed method was compared with existing methods of GNSS-R based sea ice classification and demonstrated improved or comparable performance. The proposed method shows promise, as it provides good performance while demonstrating generalizability to geographic and temporal data selection, and requires less data to train to a level comparable to established methods.
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 | 0,001 | 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 ».