A Conditional Denoising Diffusion Probabilistic Model for Sea Ice Concentration Estimation
Notice bibliographique
Résumé
Research on estimating sea ice concentration (SIC) from synthetic aperture radar (SAR) data using convolutional neural networks (CNNs) has been widely reported. However, the presence of speckle noise in dual-polarization SAR signals and confusion at ice-water boundaries complicates accurate density estimation, often leading to significant underestimations of SIC. Recently, diffusion models (DMs) have shown significant success in various remote sensing tasks, demonstrating their potential to address these challenges. However, applying DMs directly to SIC estimation leads to singularity issues, hindering the accuracy of results. Additionally, directly incorporating conditional images can cause denoising models to overlook the differences between conditional and noise information. We introduce a conditional denoising diffusion probabilistic model (DiffSIC) that can fundamentally resolve the singularity problem by reweighting the loss function. We designed a U-shaped architecture that integrates conditional information, time steps, and noise information for SIC estimation. Extensive experiments conducted on the AI4Arctic dataset indicate that the proposed DiffSIC framework achieves a coefficient of determination (<italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">R</i><sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>) of 90.959% and a root mean square error (RMSE) of 8.632%, demonstrating the effectiveness and potential of diffusion models in the task of SIC estimation.
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 ».