A new glacier inventory on southern Baffin Island, Canada, from ASTER data: I. Applied methods, challenges and solutions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The quantitative assessment of glacier changes as well as improved modeling of climate-change impacts on glaciers requires digital vector outlines of individual glacier entities. Unfortunately, such a glacier inventory is still lacking in many remote but extensively glacierized gions such as the Canadian Arctic. Multispectral satellite data in combination with digital elevation models (DEMs) a particularly useful for creating detailed glacier inventory data including topographic information for each entity. In this study, we extracted glacier outlines and a DEM using two adjacent Terra ASTER scenes acquired in August 2000 for a remote region on southern Baffin Island, Canada. Additionally, Little Ice Age (LIA) extents we digitized from trimlines and moraines visible on the ASTER scenes, and Landsat MSS and TM scenes from the years 1975 and 1990 we used to assess changes in glacier length and area. Because automated delineation of glaciers is based on a band in the shortwave infrared, we have developed a new semi-automated glacier-mapping approach for the MSS sensor. Wrongly classified debris-coved glaciers, water bodies and attached snowfields we corrected manually for both ASTER and MSS. Glacier drainage divides we manually digitized by combining visual interptation with DEM information. In this first paper, we describe the applied methods for glacier mapping and the glaciological challenges encounted (e.g. data voids, snow cover, ice caps, tributaries), while the second paper ports the data analyses and the derived changes.
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.
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 découle