L'amplification arctique a eu de nombreux impacts sur l'étendue, l'épaisseur et le flux de la glace de mer. Il devient critique de surveiller les conditions des glaces de mer à une résolution spatio-temporelle plus fine. Nous avons utilisé un simple réseau neuronal convolutif (CNN) sur l'archive ScanSAR à double polarization RADARSAT-2 disponible sur le golfe du Couronnement, Canada, pour évaluer quels paramètres RSO amèliorent les performances du modèle pour séparer la glace de mer de l'eau sur un grand volume de données couvrant 11 ans. Une précision globale de 90,1% a été obtenue sur 989 scènes de couverture de glace à 100% ou de conditions sans glace. Une précision de 86,3% a été obtenue sur la dernière année de données (134 scènes) qui a été tenue à l'écart du processus d'entraînement pour tester le modèle sur un ensemble de données indépendant. Une meilleure précision est obtenue à des angles d'incidence plus faibles et la polarisation HH fournit le plus d'informations pour distinguer la glace de l'eau. Pour obtenir la meilleure précision, l'angle d'incidence et l'équivalent de bruit sigma-zéro ont dû être inclus comme intrants au modèle. Une comparaison avec le produit de concentration de glace de mer ASI dérivées des micro-ondes passives montre des erreurs similaires dans la concentration totale de glace de mer lors de l'utilisation des cartes régionales du Service canadien des glaces comme référence. Néanmoins, les erreurs des deux ensembles de données diffèrent et les sorties CNN montrent un plus grand potentiel pour réduire les zones masquées, pour permettre une classification des glaces plus proche de la terre ferme et identifier des caractéristiques non prises en compte par les produits ASI. [ABSTRACT FROM AUTHOR]