Fusing Ice Surface Temperature With the AI4Arctic Dataset for Improved Deep Learning-Based Sea Ice Mapping
Notice bibliographique
Résumé
Arctic sea ice mapping is vital for supporting marine navigation, climate monitoring, and efforts by northern communities to adapt to variable ice conditions. Automated mapping approaches can leverage freely accessible satellite data to supplement navigational ice charts, improve operational forecasting, and produce high-resolution sea ice parameter estimates. The AI4Arctic dataset enables deep learning-based mapping using synthetic aperture radar (SAR), passive microwave (PM), and reanalysis data. However, SAR and PM can struggle to resolve ice features due to ambiguous textures, atmospheric effects, and sensor limitations. To provide complementary data, an 84-scene VIIRS dataset is co-registered with AI4Arctic to evaluate whether ice surface temperature (IST) measurements can improve estimation of sea ice concentration (SIC), stage of development, and floe size. Input- and feature-level fusion methods, based on the U-Net architecture, are explored. Models are evaluated using the SIC R2 coefficient and SOD/FLOE F1-score, as well as predicted sea ice maps. Additionally, an alternative SIC accuracy score is introduced to assist with evaluating marginal ice predictions. Incorporating IST improves performance across all models compared to the AI4Arctic baseline; this includes single-encoder, dual-encoder, and multi-decoder U-Nets. Results highlight significant improvements in the prediction of open water under conditions with low-incidence angle, high atmospheric moisture, and wind roughening. Overall, the best performing dual-encoder model, DUE-Net-V, improves predictions by 2.18- 5.01% across all metrics, relative to the baseline. These results support integrating IST in deep learning workflows and highlight the potential for next-generation thermal-infrared sensors to improve automated sea ice mapping.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».