Ship Wake Detectability in TerraSAR X Imagery – Summary and Applications for Wake Detection
Notice bibliographique
Résumé
Ship wakes are produced by the interaction of the ship’s hull with the ocean water and are result of multiple interacting wave systems closely beneath and on the ocean surface. The ship wake signatures in SAR imagery consists of various components. The most frequently encountered wake components are Kelvin wake arms, V-narrow wake arms and two parts of the turbulent wake: the near field and the far field. The detectability of these four most important wake components in SAR imagery is influenced by several physical variables, which are in the following called influencing parameters. The influencing parameters can be categorized into ship properties, environmental conditions and SAR acquisition settings. In a series of preceding studies of the authors, the characteristics of the effects of influencing parameters on the detectability of individual wake components have been modelled using machine learning, categorized, and contrasted against the published state-of-the-art. For the latest study of the authors, the list of the satellites was extended and the detectability of wake components was investigated in terms of different radar frequency bands (C-Band and X-Band SAR) and different orbit altitudes (i.e. slant ranges). This study summarizes the method and the results of the preceding studies and the application of the results to the actual task of wake detection is demonstrated. The demonstration shows that the developed models can be applied to control the precision performance of wake detectors and to estimate vessel velocity with an accuracy coinciding with other published methods.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».