Automated Detection of Icebergs in the North Atlantic Using RCM Dual-Polarimetric SAR Imagery for Offshore Safety
Notice bibliographique
Résumé
Abstract Icebergs impose a significant threat to shipping, offshore oil operations, and underwater pipelines. Detecting and monitoring icebergs in the North Atlantic Ocean is particularly challenging due to frequent cloud cover. Synthetic Aperture Radar (SAR) has emerged as an effective solution for addressing these challenges. This study presents a novel method for detecting icebergs under varying sea conditions using C-band dual-polarimetric imagery from the RADARSAT Constellation Mission (RCM) using the data collected along Canada’s east coast during iceberg-prone seasons in 2022 and 2023. Our approach processes large SAR images by dividing them into 100 x 100-pixel patches, each covering an area of 5 km x 5 km, and identifies icebergs within each patch. The method combines statistical features, which highlight subtle patterns in RCM imagery, with high-dimensional features extracted from three pre-trained convolutional neural network (CNN) models. These features are further enhanced with climate parameters and classified using the LightGBM algorithm. To further reduce false alarms (FAs), a Constant False Alarm Rate (CFAR) postprocessing step was applied, enhancing the reliability of the detection process. The proposed approach demonstrates exceptional performance, achieving a 99.08% accuracy rate, a false alarm (FAs) rate of only 1%, and an AUC value nearing 1.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».