Pan-Arctic 200m Resolution Ice Concentration Mapping by Fusing RCM, Sentinel-1 and AMSR2 Data via Deep Learning
Notice bibliographique
Résumé
The second contribution of this research is the design of a geographically-weighted L1 loss function that better address the uncertainties in the reference IC data.The PM IC product, which is derived by using the NASA Team (NT) algorithm, is used as reference in this research.This NT algorithm is a widely used approach to generate coarseresolution IC product using AMSR2 data (Cavalieri et al., 1984).The NT product achieves better performance for open water region and ice region than the marginal ice zone (MIZ) region.Therefore, to leverage the spatially-varying nature of product uncertainty, we design a geographically-weighted loss function approach according to the U.S. National Ice Center daily ice charts, where we assign the highest weight to open water region, medium weight to the ice region, and lowest weight to the MIZ region.Furthermore, the L1 loss is used to calculate the discrepancies between 11 reference IC classes and the model output.The L1 loss is less sensitive to outliers/errors in the reference IC than the commonly adopted L2 loss, which reduces the effect of ambiguity on the model.The combined use of the geographically-weighted approach and the L1 loss leads to a new solution that can better address the uncertainties in the coarse-resolution NT
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».