Abstract—High-resolution ice concen

Abstract—High-resolution ice concentration maps are of great
interest for ship navigation and ice hazard forecasting. In this
case study, a convolutional neural network (CNN) has been
used to estimate ice concentration using synthetic aperture radar
(SAR) scenes captured during the melt season. These dual-pol
RADARSAT-2 satellite images are used as input, and the ice
concentration is the direct output from the CNN. With no feature
extraction or segmentation postprocessing, the absolute mean errors
of the generated ice concentration maps are less than 10%
on average when compared with manual interpretation of the ice
state by ice experts. The CNN is demonstrated to produce ice
concentration maps withmore detail than produced operationally.
Reasonable ice concentration estimations are made inmelt regions
and in regions of low ice concentration.

ผลลัพธ์ (ไทย) 1:

นามธรรมซึ่งแผนที่ความเข้มข้นของน้ำแข็งความละเอียดสูงที่มีดีดอกเบี้ยสำหรับนำทางเรือและการคาดการณ์อันตรายจากน้ำแข็ง ในการนี้กรณีศึกษา การสลับลำดับข้อมูลเครือข่ายประสาท (CNN)ใช้ในการประเมินความเข้มข้นของน้ำแข็งที่ใช้เรดาร์สังเคราะห์แสง(SAR) ฉากที่ถ่ายในช่วงฤดูละลาย เหล่านี้ dual polใช้ภาพถ่ายดาวเทียม RADARSAT-2 เป็นการป้อนข้อมูล และน้ำแข็งความเข้มข้นเป็นผลลัพธ์โดยตรงจากซีเอ็นเอ็น มีคุณสมบัติไม่สกัดหรือแบ่งส่วน postprocessing สัมบูรณ์หมายถึง ข้อผิดพลาดความเข้มข้นน้ำแข็งสร้าง แผนที่จะน้อยกว่า 10%โดยเฉลี่ยเมื่อเปรียบเทียบกับคู่มือตีความของน้ำแข็งรัฐ โดยผู้เชี่ยวชาญด้านน้ำแข็ง ซีเอ็นเอ็นจะแสดงให้เห็นการผลิตน้ำแข็งความเข้มข้นแผนที่รายละเอียด withmore กว่าผลิตช่วยน้ำแข็งที่เหมาะสมความเข้มข้นประมาณมีพื้นที่ inmeltและ ในภูมิภาคความเข้มข้นต่ำน้ำแข็ง

ผลลัพธ์ (ไทย) 2:

นามธรรมความละเอียดสูงแผนที่ความเข้มข้นของน้ำแข็งที่ดี
ที่น่าสนใจสำหรับการนำทางเรือและน้ำแข็งคาดการณ์อันตราย ในการนี้
กรณีศึกษาเครือข่ายประสาทสับสน (CNN) ได้รับการ
ใช้ในการประเมินความเข้มข้นน้ำแข็งโดยใช้รูเรดาร์สังเคราะห์
(SAR) ฉากถูกจับในช่วงฤดูละลาย เหล่านี้แบบ dual-Pol
ภาพ RADARSAT-2 ดาวเทียมจะถูกใช้เป็นอินพุทและน้ำแข็ง
เข้มข้นคือผลลัพธ์โดยตรงจากซีเอ็นเอ็น ด้วยไม่มีคุณลักษณะการ
สกัดหรือการแบ่งส่วน postprocessing, ข้อผิดพลาดเฉลี่ยที่แน่นอน
ของการสร้างแผนที่ความเข้มข้นน้ำแข็งน้อยกว่า 10%
โดยเฉลี่ยเมื่อเทียบกับการตีความคู่มือของน้ำแข็ง
รัฐโดยผู้เชี่ยวชาญน้ำแข็ง ซีเอ็นเอ็นจะแสดงให้เห็นในการผลิตน้ำแข็ง
แผนที่เข้มข้น withmore รายละเอียดกว่าการผลิตในการดำเนินงาน.
ที่เหมาะสมประมาณการความเข้มข้นของน้ำแข็งจะทำ inmelt ภูมิภาค
และในภูมิภาคของความเข้มข้นต่ำน้ำแข็ง

ผลลัพธ์ (ไทย) 3:

นามธรรมสูงความละเอียดของแผนที่ของน้ำแข็งความสนใจทางเรือและอันตราย : น้ำแข็ง ในนี้กรณีศึกษา , คอน Neural Network ( CNN ) ได้ที่ใช้ในการประมาณปริมาณน้ำแข็งที่ใช้รูเรดาร์สังเคราะห์( SAR ) ละลายฉากจับในระหว่างฤดูกาล เหล่านี้สองพลภาพดาวเทียม radarsat-2 ใช้เป็นอินพุต และ น้ำแข็งปริมาณผลผลิตโดยตรงจากซีเอ็นเอ็น ไม่มีคุณลักษณะการสกัดหรือการตัดข้างหลังความคลาดเคลื่อนสัมบูรณ์เฉลี่ยสร้างของน้ำแข็งจะน้อยกว่า 10% ของแผนที่โดยเฉลี่ยเมื่อเทียบกับการตีความคู่มือของน้ำแข็งรัฐโดยผู้เชี่ยวชาญน้ำแข็ง ซีเอ็นเอ็นแสดงให้เห็นการผลิตน้ำแข็งแผนที่ละเอียดกว่าด้วยปริมาณผลิตดี .ที่เหมาะสมของการทำ inmelt ภูมิภาคน้ำแข็งและในพื้นที่ของความเข้มข้นน้ำแข็งต่ำ