In the next step, the unsupervised

In the next step, the unsupervised fuzzy k-means method was applied to both backscatter-filtered and texture-analyzed images. The unsupervised fuzzy k-means classifier was the most common clustering method used in a number of studies that mapped ice cover in Canadian rivers (e.g., [7,10–12,16]. The aim of the fuzzy k-means approach is data reduction, to aid in information transfer in the field of pattern
RADARSAT-2 (FOW3) 15/12/13-25/02/14
Mean HH_backscatter 15/12/13-25/02/14
STD HH_backscatter 15/12/13-25/02/14

CV 15/12/13-25/02/14
RADARSAT-2 (FQ17W) 19/12/14-01/03/15
Mean HH_backscatter 19/12/14-01/03/15
STD HH_backscatter 19/12/14-01/03/15
CV 19/12/14-01/03/15
Inter- annual variation 2013-2014 & 2014-2015

Remote Sens. 2015, 7 13676
recognition [32–34]. Data reduction is conducted by translating a multiple attribute description of an object into k membership values, with respect to k classes which represent the fuzzy behaviour. For further details on the fuzzy k-means algorithm, readers are refer to Sulaiman et al. [33], Dehariya et al. [32], and Jain [34]. In general, the fuzzy k-means classifier uses an iterative procedure that starts with an initial random allocation of the objects to be classified into k clusters. Given the cluster allocation, the centre of each cluster is calculated as the weighted average of the attributes of the objects. In the next step, objects are reallocated among the classes according to the relative similarity between objects and clusters based on distance analysis (e.g., Euclidian, diagonal, or Mahalanobis). Reallocation continues by iteration until a stable result is reached, in which similar objects with similar reflectance (or backscatter) characteristics are grouped together in each cluster. The advantage of k-means clustering, as well as other unsupervised methods is that they require no prior training data. Therefore, it is suitable for application to remotely sensed data for remote regions, such as high northern latitudes, where collection of training samples is difficult due to accessibility. In the first stage of the ice mapping algorithm, the fuzzy k-means was used on the backscatter-filtered images to create 10 classes. We examined a different number of backscatter classes as inputs in the classifier to select the optimal number of classes with respect to the separation of ice classes with slight differences in backscatter values, such as open water and thermal ice, juxtaposed ice and consolidated ice. The assignment of different backscatter classes to the ice cover types (i.e., consolidated ice, juxtaposed ice, thermal ice, and open water) was based on the responses of river ice covers to radar signals (see Sections 2.2 and 2.3) and visual interpretation of ice cover types along the Slave River in the image acquired on 21 November 2013 [6]. The first class (#1), with the lowest backscatter, was then extracted to create a mask on the texture-analyzed images for classifying open water and thermal ice. The backscatter classes from #2 to #10 (low to high backscatter values) were reclassified to create thermal ice (#2 and #3), juxtaposed ice (#4), and consolidated ice (#5 to #10). In the second stage of ice mapping, the fuzzy k-means classifier was applied to the texture-analyzed images to identify six classes of ice cover types. Only pixels (classes) within the mask from class #1, the first stage of backscatter-based classification, were extracted. These classes were then reclassified to create open water and thermal ice layers. Subsequently, three classes of thermal, juxtaposed and consolidated ice from the first classifying step were mosaicked with two classes of open water and thermal ice from the second step, creating the final ice cover map for the Slave River. Only those imagery information were extracted that coincided with the polygon areas of the river sections which are available from the CanVec database at Natural Resources Canada. Additionally, both co- (HH) and cross- (HV) polarizations were used in the backscatter-based classification of filtered images, while the texture-based classification was used with a single co-polarization (HH) backscatter. The mapping algorithm was primarily developed based on the ice cover conditions on the 21 November 2013 RADARSAT-2 image and then applied to all other images from both studied winters (Table 1). In order to compare the thresholds of backscatter values corresponding to different ice types, the backscatter samples (in dB unit) of each ice type were also extracted. The classification and regression tree method [35] was then applied on these samples to derive the backscatter thresholds. The PCI Geomatica 2014 was used to process all images, including the unsupervised classification of images based on the fuzzy k-means algorithm. The overall processing flow for mapping the ice cover is shown in Figure 6.

ผลลัพธ์ (ไทย) 1:

ในขั้นตอนต่อไป unsupervised เอิบ k-หมายถึงวิธีการใช้ทั้ง backscatter กรอง และ วิเคราะห์พื้นผิวภาพ Classifier unsupervised เอิบ k-หมายถึงไม่ทั่วระบบคลัสเตอร์วิธีการที่ใช้ในการศึกษาที่แมปฝาน้ำแข็งในแม่น้ำในแคนาดา (เช่น, [7,10-12,16] จุดมุ่งหมายของวิธี k-หมายถึงเอิบคือ ข้อมูลการลด เพื่อช่วยในการถ่ายโอนข้อมูลในรูปแบบRADARSAT-2 (FOW3) 15/12/13-25/02/14หมายถึง HH_backscatter 15/12/13-25/02/14มาตรฐาน HH_backscatter 15/12/13-25/02/14ประวัติ 15/12/13-25/02/14RADARSAT-2 (FQ17W) 19/12/14-01/03/15หมายถึง HH_backscatter 19/12/14-01/03/15มาตรฐาน HH_backscatter 19/12/14-01/03/15ประวัติ 19/12/14-01/03/15เปลี่ยนแปลงอินเตอร์ปี 2013-2014 และ 2014-2015ระยะไกล Sens. 2015, 7 13676การรับรู้ [32-34] ลดข้อมูลจะดำเนินการคำอธิบายคุณลักษณะหลายวัตถุเป็นค่าสมาชิก k เกี่ยวกับระดับ k ซึ่งแสดงถึงพฤติกรรมชัดเจน สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับอัลกอริทึม k-หมายถึงเอิบ อ่านอ้างอิง Sulaiman et al. [33], Dehariya และ al. [32], และเจน [34] ทั่วไป classifier เอิบ k-วิธีใช้กระบวนการซ้ำที่เริ่มต้น ด้วยการจัดสรรแบบสุ่มเริ่มต้นวัตถุการแบ่งคลัสเตอร์ k ได้รับการจัดสรรคลัสเตอร์ ศูนย์กลางของแต่ละคลัสเตอร์จะคำนวณเป็นค่าเฉลี่ยถ่วงน้ำหนักของแอตทริบิวต์ของวัตถุ ในขั้นตอนต่อไป วัตถุที่จัดสรรใหม่ระหว่างเรียนตามเฉพาะสัมพัทธ์ระหว่างวัตถุและคลัสเตอร์ที่ใช้ในการวิเคราะห์ระยะ (เช่น Euclidian เส้นทแยงมุม หรือ Mahalanobis) ปันส่วนอย่างต่อเนื่อง โดยการวนซ้ำจนกว่าผลลัพธ์ที่มีเสถียรภาพถึง ในวัตถุซึ่งคล้ายกับคล้ายแบบสะท้อนแสง (หรือ backscatter) ลักษณะด้วยกันเป็นกลุ่มในแต่ละคลัสเตอร์ ประโยชน์ของระบบคลัสเตอร์ ตลอดจนอื่น ๆ วิธี unsupervised k หมายถึงคือ พวกเขาต้องไม่มีข้อมูลการฝึกอบรมทราบ จึง มันเป็นแอพลิเคชันข้อมูลระยะไกลทรงสำหรับภูมิภาคระยะไกล เช่นสูง latitudes เหนือ ยากเนื่องจากการเข้าถึงชุดฝึกอบรมอย่างเหมาะ ในระยะแรกของอัลกอริทึมการแม็ปน้ำแข็ง เอิบ k วิธีใช้บนภาพกรอง backscatter สร้างชั้น 10 เราตรวจสอบจำนวน backscatter เรียนเป็นอินพุตใน classifier เพื่อเลือกจำนวนชั้นเรียนเกี่ยวกับการแยกของชั้นน้ำแข็งที่มีความแตกต่างเล็กน้อยในค่า backscatter น้ำ และความร้อนน้ำแข็ง น้ำแข็งความหรูหราอันน่าเหมาะสมที่สุด และรวมน้ำแข็ง การกำหนดคลา backscatter ต่างชนิด (เช่น น้ำแข็งรวม ความหรูหราอันน่าน้ำแข็ง น้ำแข็งความร้อน และน้ำ) ปกแข็งได้ตามการตอบสนองของหน้ากากน้ำแข็งแม่น้ำกับสัญญาณเรดาร์ (ดูส่วน 2.2 และ 2.3) และตีความภาพชนิดปกแข็งทำเลทาสในรูปซื้อมาในวันที่ 21 2013 พฤศจิกายน [6] ชั้นแรก (#1), กับ backscatter ต่ำ มีแล้วแยกไปที่สร้างตัวพรางรูปวิเคราะห์พื้นผิวสำหรับประเภทน้ำและน้ำแข็งความร้อน Backscatter คลาจาก #2 กับ #10 (ต่ำสุดค่าสูง backscatter) ถูกจัดประเภทใหม่เพื่อสร้างความร้อนน้ำแข็ง (#2 และ #3), ความหรูหราอันน่าน้ำแข็ง (#4), และรวมน้ำแข็ง (#5 #10) ในขั้นตอนสองของการแม็ปน้ำแข็ง classifier เอิบ k-วิธีใช้ภาพพื้นผิววิเคราะห์ระบุชั้นหกชนิดปกแข็ง พิกเซลเท่านั้น (เรียน) ในรูปแบบจากคลาส #1 ระยะแรกของ backscatter ตามประเภท ถูกสกัด ชั้นเหล่านี้ถูกจัดประเภทใหม่เพื่อสร้างน้ำและชั้นน้ำแข็งความร้อนแล้ว ในเวลาต่อมา ชั้นสามของน้ำแข็งความร้อน ความหรูหราอันน่า และรวมจากขั้นตอนแรกจัดประเภทถูก mosaicked กับสองชั้นของน้ำและน้ำแข็งร้อนจากขั้นตอนสอง สร้างแผนที่ครอบคลุมน้ำแข็งสุดท้ายสำหรับแม่ทาส เฉพาะข้อมูลภาพเหล่านั้นถูกสกัดที่ร่วมกับพื้นที่รูปหลายเหลี่ยมส่วนแม่น้ำที่มีอยู่จากฐานข้อมูล CanVec ที่แคนาดาธรรมชาติ นอกจากนี้ co- (ชช) และครอส- (HV) polarizations ถูกใช้ในการจัดประเภทตาม backscatter กรองภาพ ในขณะที่ใช้การจัดประเภทตามเนื้อกับ backscatter โพลาไรซ์ร่วมเดียว (ชช) อัลกอริทึมการแมปถูกหลักพัฒนาตามเงื่อนไขครอบคลุมน้ำแข็งบน 21 2013 พฤศจิกายน RADARSAT-2 ภาพ และใช้กับรูปอื่น ๆ ทั้งหมดจากทั้งสองแหล่ง studied (ตารางที่ 1) การเปรียบเทียบขีดจำกัดของ backscatter ค่าที่สอดคล้องกับชนิดของน้ำแข็งที่แตกต่างกัน ตัวอย่าง backscatter (ในหน่วย dB) ของแต่ละชนิดแข็งได้ยังแยก ถดถอยและการจัดประเภทแผนภูมิวิธี [35] ถูกนำไปใช้ในตัวอย่างเหล่านี้เพื่อได้รับขีดจำกัด backscatter แล้ว PCI Geomatica 2014 ถูกใช้ในการประมวลภาพทั้งหมด รวมถึงการจัดประเภทภาพตามอัลกอริทึม k-หมายถึงเอิบ unsupervised ลำดับการประมวลผลโดยรวมสำหรับการแมปที่แสดงในรูปที่ 6 หน้าปกแข็ง

ผลลัพธ์ (ไทย) 2:

ในขั้นตอนต่อไปเลือนหากินวิธี k หมายถึงถูกนำไปใช้ทั้งในการกรองแสงสะท้อนและภาพพื้นผิว-วิเคราะห์ เลือนใกล้ชิดลักษณนาม k หมายถึงเป็นวิธีการจัดกลุ่มที่พบมากที่สุดมาใช้ในการศึกษาที่แมปน้ำแข็งปกคลุมในแม่น้ำแคนาดา (เช่น [7,10-12,16]. จุดมุ่งหมายของวิธี k หมายถึงเลือนข้อมูล
ลดลงเพื่อช่วยในการถ่ายโอนข้อมูลในด้านของรูปแบบRADARSAT-2 (FOW3) 15/12 / 13-25 / 02/14
Mean HH_backscatter 15/12 / 13-25 / 02/14
 STD HH_backscatter 15/12 / 13-25 / 02/14
CV 15/12 / 13-25 / 02/14 RADARSAT-2 (FQ17W) 19/12 / 14-01 / 03/15  หมายถึง HH_backscatter 19/12 / 14-01 / 03/15 STD HH_backscatter 19/12 / 14-01 / 03/15 CV 19/12 / 14-01 / 03/15 Inter-รูปแบบประจำปี 2013-2014 และ 2014-2015 ระยะไกล Sens. ปี 2015 7 13676 รับรู้ [32-34]. ลดข้อมูลจะถูกดำเนินการโดยแปลคำอธิบายหลายแอตทริบิวต์ของวัตถุเข้าไป k ค่าสมาชิกที่เกี่ยวกับการเรียน k ซึ่งเป็นตัวแทนเลือน พฤติกรรม. สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการเลือนขั้นตอนวิธี k หมายถึงผู้อ่านจะหมายถึงสุไลมาน et al. [33], Dehariya et al. [32] และเชน [34]. โดยทั่วไปลักษณนาม k หมายถึงเลือนใช้ ขั้นตอนการทำซ้ำที่เริ่มต้นด้วยการจัดสรรแบบสุ่มเริ่มต้นของวัตถุที่จะจำแนกออกเป็นกลุ่ม k ได้รับการจัดสรรคลัสเตอร์เป็นศูนย์กลางของแต่ละกลุ่มจะถูกคำนวณเป็นค่าเฉลี่ยถ่วงน้ำหนักของคุณลักษณะของวัตถุนั้น ในขั้นตอนต่อไปจะมีการจัดสรรวัตถุในหมู่ชั้นเรียนตามความคล้ายคลึงกันระหว่างวัตถุญาติและกลุ่มจากการวิเคราะห์ทางไกล (เช่น Euclidian ขวางหรือ Mahalanobis) จัดสรรอย่างต่อเนื่องโดยการทำซ้ำจนกว่าจะมีผลที่มีเสถียรภาพจะมาถึงซึ่งในวัตถุที่คล้ายกันกับการสะท้อนที่คล้ายกัน (หรือแสงสะท้อน) ลักษณะจะถูกจัดกลุ่มกันในแต่ละกลุ่ม ประโยชน์ของการจัดกลุ่ม k-วิธีการเช่นเดียวกับวิธีการใกล้ชิดอื่น ๆ ที่พวกเขาไม่จำเป็นต้องมีข้อมูลการฝึกอบรมก่อน ดังนั้นจึงเหมาะสำหรับการใช้งานจากระยะไกลรู้สึกข้อมูลสำหรับพื้นที่ห่างไกลเช่นละติจูดเหนือสูงที่เก็บตัวอย่างการฝึกอบรมเป็นเรื่องยากที่จะเข้าถึงเนื่องจาก ในขั้นตอนแรกของขั้นตอนวิธีการทำแผนที่น้ำแข็งเลือน k หมายถึงถูกนำมาใช้กับภาพสะท้อนกรองเพื่อสร้าง 10 ชั้นเรียน เราตรวจสอบจำนวนที่แตกต่างกันของการเรียน backscatter เป็นปัจจัยการผลิตในลักษณนามเพื่อเลือกจำนวนที่เหมาะสมของการเรียนที่เกี่ยวกับการเรียนการแยกของน้ำแข็งที่มีความแตกต่างกันเล็กน้อยในค่าแสงสะท้อนเช่นเปิดน้ำและน้ำแข็งร้อนวางน้ำแข็งและน้ำแข็งรวม การกำหนดของการเรียนแบบแสงสะท้อนที่แตกต่างกันชนิดน้ำแข็งปกคลุม (เช่นน้ำแข็งรวมน้ำแข็งวางน้ำแข็งความร้อนและน้ำเปิด) ก็ขึ้นอยู่กับการตอบสนองของน้ำแข็งแม่น้ำครอบคลุมสัญญาณเรดาร์ (ดูมาตรา 2.2 และ 2.3) และการตีความภาพของ ประเภทน้ำแข็งปกคลุมไปตามแม่น้ำทาสในภาพที่ได้มาเมื่อวันที่ 21 พฤศจิกายน 2013 [6] ชั้นแรก (# 1) ที่มีแสงสะท้อนต่ำสุดที่ถูกสกัดแล้วจะสร้างหน้ากากในภาพเนื้อวิเคราะห์สำหรับการแบ่งประเภทของน้ำและน้ำแข็งความร้อน เรียนแบบแสงสะท้อนจาก # 2 # 10 (ต่ำไปสูงค่า backscatter) ใหม่เพื่อให้สร้างความร้อนน้ำแข็ง (# 2 และ # 3) วางน้ำแข็ง (# 4) และน้ำแข็งรวม (# 5 # 10) ในขั้นตอนที่สองของการทำแผนที่น้ำแข็งที่ลักษณนาม k หมายถึงเลือนถูกนำไปใช้ภาพเนื้อวิเคราะห์เพื่อระบุหกชั้นเรียนประเภทน้ำแข็งปกคลุม พิกเซลเท่านั้น (เรียน) ภายในหน้ากากจากชั้นที่ 1, ขั้นตอนแรกของการจัดหมวดหมู่ backscatter ที่ใช้สกัด ชั้นเรียนเหล่านี้ได้รับการจัดประเภทรายการใหม่ที่จะสร้างแล้วเปิดน้ำและชั้นความร้อนน้ำแข็ง ต่อจากนั้นสามชั้นเรียนของความร้อนและน้ำแข็งวางรวมตั้งแต่ก้าวแรกที่ถูกแบ่ง mosaicked ที่มีสองชั้นของน้ำและน้ำแข็งความร้อนจากขั้นตอนที่สองในการสร้างแผนที่ของน้ำแข็งปกคลุมสุดท้ายสำหรับแม่น้ำทาส เฉพาะผู้ที่ข้อมูลถูกสกัดภาพที่ใกล้เคียงกับพื้นที่รูปหลายเหลี่ยมส่วนแม่น้ำที่มีอยู่จากฐานข้อมูลที่ CanVec ทรัพยากรธรรมชาติแคนาดา นอกจากนี้ทั้งสองร่วม (HH) และข้าม (HV) polarizations ถูกนำมาใช้ในการจำแนก backscatter ที่ใช้ในการกรองภาพในขณะที่การจัดหมวดหมู่ตามพื้นผิวที่ใช้กับเพื่อนร่วมขั้วเดียว (HH) backscatter การทำแผนที่อัลกอริทึมได้รับการพัฒนาเป็นหลักขึ้นอยู่กับเงื่อนไขน้ำแข็งปกคลุมบน 21 พฤศจิกายน 2013 ภาพ RADARSAT-2 และจากนั้นนำไปใช้กับภาพอื่น ๆ ทั้งจากการศึกษาฤดูหนาว (ตารางที่ 1) เพื่อเปรียบเทียบเกณฑ์ของค่าแสงสะท้อนที่สอดคล้องกับประเภทน้ำแข็งที่แตกต่างกันตัวอย่าง backscatter (ในหน่วยเดซิเบล) ของแต่ละประเภทน้ำแข็งยังถูกสกัด การจำแนกประเภทและวิธีการถดถอยต้นไม้ [35] ถูกนำมาใช้แล้วในตัวอย่างเหล่านี้จะได้รับเกณฑ์ backscatter แบบ PCI Geomatica 2014 ถูกใช้ในการประมวลผลภาพทั้งหมดรวมทั้งการจัดหมวดหมู่ของภาพใกล้ชิดขึ้นอยู่กับเลือน k หมายถึงขั้นตอนวิธี การไหลของการประมวลผลโดยรวมสำหรับการทำแผนที่น้ำแข็งปกคลุมจะแสดงในรูปที่ 6

ผลลัพธ์ (ไทย) 3:

ในขั้นตอนต่อไป วิธีฟัซซี่ k-means unsupervised ถูกนำไปใช้ทั้งแบคสแคตเตอร์กรองและพื้นผิว วิเคราะห์ภาพ โหลด k-means unsupervised ลักษณนามเป็นข้อมูลที่พบมากที่สุดวิธีการที่ใช้ในงานวิจัยที่แมปน้ำแข็งปกคลุมในแม่น้ำแคนาดา ( เช่น [ 7,10 – 12,16 ] จุดมุ่งหมายของฟัซซี่ k-means แนวทางการลดข้อมูลเพื่อช่วยในการถ่ายโอนข้อมูลในฟิลด์ของแบบแผน
 radarsat-2 ( fow3 ) 15 / 12 / โอกาส / 02 / 14
หมายถึง hh_backscatter 15 / 12 / โอกาส / 02 / 14
 STD hh_backscatter 15 / 12 / โอกาส / 02 / 14

 CV 15 / 12 / โอกาส / 02 / 14
 radarsat-2 ( fq17w ) 19 / 12 / 14-01 / 03 / 15
หมายถึง hh_backscatter 19 / 12 / 14-01 / 03 / 15
 STD hh_backscatter 19 / 12 / 14-01 / 03 / 15
 CV 19 / 12 / 14-01 / 03 / 15
ระหว่างปี 2013-2014 &การ 2014-2015

ระยะไกล sens. 2015 , 7 13676
รับรู้ [ 32 – 34 ) การลดข้อมูลที่จัดทำโดยการแปล attribute หลายรายละเอียดของวัตถุลงในค่า K สมาชิกด้วยความเคารพกับ K ชั้นเรียนซึ่งเป็นตัวแทนของพฤติกรรมแบบฟัซซี่ สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับฟัซซี k-means ขั้นตอนวิธี ผู้อ่านจะอ้างถึงสุไลมาน et al . [ 33 ] , dehariya et al . [ 32 ]และ Jain [ 34 ] ในทั่วไป , ฟัซซี่ k-means ลักษณนามใช้ซ้ำขั้นตอนที่เริ่มต้นด้วยการเริ่มต้นแบบสุ่ม การจัดสรรวัตถุออกเป็น k กลุ่ม ได้รับการจัดสรร ศูนย์ของแต่ละกลุ่มจะถูกคำนวณโดยเฉลี่ยแบบถ่วงน้ำหนักของคุณลักษณะของวัตถุ ในขั้นตอนต่อไปวัตถุที่ถูกจัดสรรในชั้นเรียนตามความสัมพันธ์ระหว่างวัตถุและกลุ่มขึ้นอยู่กับการวิเคราะห์ระยะทาง ( เช่น euclidian , แนวทแยงหรือ mahalanobis ) จัดสรรอย่างต่อเนื่องโดยทำซ้ำจนกว่าผลมั่นคงได้ ซึ่งวัตถุที่คล้ายกันกับการสะท้อนคล้าย ( หรือแบคสแคตเตอร์ ) ลักษณะจะถูกจัดกลุ่มเข้าด้วยกัน ในแต่ละกลุ่มประโยชน์ของ k-means การจัดกลุ่มเช่นเดียวกับวิธีการอื่น ๆ ที่พวกเขา unsupervised ต้องไม่มีข้อมูลการฝึกอบรมก่อน ดังนั้น จึงเหมาะสำหรับการประยุกต์ใช้ข้อมูลจากดาวเทียมสำหรับพื้นที่ห่างไกล เช่น สูง ละติจูดเหนือ ซึ่งการเก็บตัวอย่างการฝึกอบรมได้ยากเนื่องจากการเข้าถึง ในขั้นตอนแรกของแมปน้ำแข็งขั้นตอนวิธีk-means ฟัซซี่ที่ใช้ในแบคสแคตเตอร์กรองภาพการสร้าง 10 ชั้น เราตรวจสอบหมายเลขที่แตกต่างกันของชั้นเรียนเป็นปัจจัยการผลิตในแบบกระเจิงกลับเลือกหมายเลขที่เหมาะสมของบทเรียนด้วยการแยกของน้ำแข็งชั้นเรียนที่มีความแตกต่างเล็กน้อยในกระเจิงกลับค่า เช่น น้ำ และความร้อน น้ำแข็ง juxtaposed น้ำแข็งรวม และน้ำแข็งการกระเจิงกลับเรียนแตกต่างกันประเภทน้ำแข็งปกคลุม ( คือรวมน้ำแข็ง juxtaposed น้ำแข็ง , ความร้อน , น้ำแข็งและเปิดน้ำ ) ขึ้นอยู่กับการตอบสนองของแม่น้ำน้ำแข็งครอบคลุมสัญญาณเรดาร์ ( ดูส่วนที่ 2.2 และ 2.3 ) และการตีความของน้ำแข็งปกคลุมประเภทตามแม่น้ำทาสในรูปได้มาเมื่อ 21 พฤศจิกายน 2013 [ 6 ] ภาพ ชั้นแรก ( # 1 ) ที่มีแบคสแคตเตอร์ต่ำสุดจากนั้นสกัดเพื่อสร้างหน้ากากบนพื้นผิววิเคราะห์ภาพการจัดน้ำ และความร้อน น้ำแข็ง การกระเจิงกลับเรียนจาก# 2 # 10 ( สูงต่ำกระเจิงกลับค่า ) ขนาดสร้างสภาวะน้ำแข็ง ( # 2 และ# juxtaposed น้ำแข็ง ( 3 ) # 4 ) และรวมน้ำแข็ง ( # 5 # 10 ) ในขั้นตอนที่สองของแผนที่น้ำแข็งฟัซซี่ k-means ลักษณนามใช้พื้นผิวที่วิเคราะห์ภาพให้ระบุหกประเภทของประเภทปก แข็ง พิกเซลเท่านั้น ( เรียน ) ภายในหน้ากาก จากห้อง# 1 ขั้นตอนแรกของการจัดหมวดหมู่ตามกระเจิงกลับถูกสกัด ชั้นเรียนเหล่านี้เป็นร้อยละสร้างน้ำและชั้นน้ำแข็งร้อน ต่อมา สามประเภทของความร้อน