Hsu (2006), Ocean surface drift by wavelet tracking of SAR images, presented at
Notice bibliographique
Résumé
Historically, ocean surface feature tracking analyses have been based on data from a single orbital sensor collected over its revisit interval of a lone, low-Earth orbital satellite. Today, ocean surface currents are being derived by performing feature tracking using data from the same type of sensors on different satellites. With all-weather, day/night imaging capability, Synthetic Aperture Radar (SAR) penetrates clouds, smoke, haze, and darkness to acquire high quality images of the Earth’s surface. The ability of a SAR to provide valuable information on the type, condition, and motion of the sea-ice, ships and surface signatures of swells, wind fronts, oil slicks, and eddies has been amply demonstrated [Liu and Wu, 2001]. This makes SAR the frequent sensor of choice for cloudy coastal regions. At present, there are three major synthetic aperture radars in orbit. Radarsat-1, the first Canadian remote sensing satellite, was launched in November 1995. Radarsat-1 has a ScanSAR mode with a 500 km wide swath and a 100 m resolution. The ERS-2, having a conventional SAR with a swath of 100 km and a resolution of 25 m, was launched in April 1995 by ESA. Envisat-1 with an Advanced SAR (either conventional narrow swath or wide swath of 405 km with 150 m resolution) was also launched in March 2002 by ESA. With repeated coverage, spaceborne SAR instruments provide the most efficient means to monitor and study the changes in important elements of the marine environment. Due to high-resolution of SAR data, the coverage of SAR sensor is always
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,004 |
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 ».