Sea Ice Classification Using PCA Based Image Denoising on GNSS-R Delay-Doppler Maps
Notice bibliographique
Résumé
This study proposes a principal component analysis (PCA) based denoising scheme for global navigation satellite system reflectometry (GNSS-R) delay Doppler map (DDM) based sea ice classification. GNSS-R DDM data is obtained from the TechDemoSat-1 (TDS-1) satellite, and sea ice type ground truth is derived from National Snow and Ice Data Center (NSIDC) sea ice concentration data. DDMs were denoised by first computing PCA on a TDS-1 satellite track, then conducting the forward and inverse PCA transformations on each DDM to retain only the DDM pixels with the greatest variance. DDM denoising was conducted prior to the calculation of standard classification features such as DDM average (DDMA). The denoised classification observables were provided to an extremely randomized trees (ET) machine learning classifier. The final classification accuracy was 88.32% with a 0.7533 Kappa coefficient. F1 scores were 92.52%, 75.57%, and 83.30% for first-year ice (FYI), multi-year ice (MYI), and thin ice (TI), respectively. The proposed method resulted in improvements across all performance metrics when compared against classification without PCA based observables and denoising. Most significant increases were observed in MYI precision, TI precision, and FYI recall, which were improved by 22.72%, 4.89%, and 6.19%, respectively.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».