PIXEL-BASED SEA ICE CLASSIFICATION USING THE MAGSIC SYSTEM
Notice bibliographique
Résumé
MAGSIC is an operation-oriented system in development dedicated to map-guided classification of sea ice for navigation route planning and meteorological modelling. It has already produced promising results in difficult situations such as the Gulf of Saint-Lawrence in late winter. The Canadian Ice Service (CIS) produces ice maps made of large regions with relatively homogeneous concentrations of different ice types. MAGSIC uses the information of these maps to produce a pixel-based (rather than region-based) ice map by labelling a Markov random field (MRF) segmentation of RADARSAT-1 data along with its derived texture features. The system uses a novel implementation of MRF segmentation in combination with a unique labelling approach based on “cognitive reasoning”. Although reasonably successful, the system often had difficulties identifying ice type that required cues based on the shape recognition of large ice floes or leads. This article aims at thoroughly testing the MAGSIC system using validation data acquired during the “2003 Gulf of Saint-Lawrence SAR Validation Field Program ” performed by CIS. Some new features were also added to MAGSIC and were evaluated. Results suggest a reasonable success and that the errors can be partially attributed to the generalized nature of the analysts´interpretation and to the difficulties of obtaining concurring ground and image data. They suggest that classification metrics that can compare sample distributions were slightly superior for labelling purposes but this could not be confirmed statistically. R ´ESUM ´E MAGSIC est un système a ̀ vocation opérationnel en développement dédie ́ a ̀ la classification guidée de la glace de mer pour des
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».