A logic-driven assessment to refine SAR-based river ice classifications
Notice bibliographique
Résumé
Abstract Radar remote sensing provides useful information to differentiate river ice conditions and ice cover types in large rivers. However, false classifications are common, especially at the end of winter, due to water on ice as well as wet snow. These situations can present challenges to end users, such as water resources managers and flood forecasters. In this study, we design a logic-driven assessment to refine existing classifications to distinguish between areas of water or wet snow on ice and open water. It is uncommon for river segments to experience ice cover, followed by open water, then ice cover again, within three consecutive radar images. Our decision tree analysis therefore assumes that river segments that are classified as water, but classified as ice in the radar images before and after, represent water or wet snow on ice. We examine the potential of this approach on two rivers in the Yukon Territory, Canada. The Äshèyi Chù (Aishihik River) is a narrow, regulated river with a relatively steep slope (0.3%) and commonly experiences flood issues at freeze-up. The Chu kon’ dëk (Yukon River at Dawson) is a much larger, low gradient (0.04%) river with a history of ice jam related flooding. Pixels are tested based on this concept, and a clustering approach is applied to reduce noise. The success of the algorithm is assessed using drone imagery and Sentinel-2 optical imagery. We show that using logic can offer ways to refine river ice classification, that is meaningful to the end user.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».