Extending Airborne Electromagnetic Surveys for Regional Active Layer and Permafrost Mapping with Remote Sensing and Ancillary Data, Yukon Flats Ecoregion, Central Alaska
Notice bibliographique
Résumé
Machine‐learning regression tree models were used to extrapolate airborne electromagnetic resistivity data collected along flight lines in the Yukon Flats Ecoregion, central Alaska, for regional mapping of permafrost. This method of extrapolation (r = 0.86) used subsurface resistivity, Landsat Thematic Mapper (TM) at‐sensor reflectance, thermal, TM‐derived spectral indices, digital elevation models and other relevant spatial data to estimate near‐surface (0–2.6‐m depth) resistivity at 30‐m resolution. A piecewise regression model (r = 0.82) and a presence/absence decision tree classification (accuracy of 87%) were used to estimate active‐layer thickness (ALT) (< 101 cm) and the probability of near‐surface (up to 123‐cm depth) permafrost occurrence from field data, modelled near‐surface (0–2.6 m) resistivity, and other relevant remote sensing and map data. At site scale, the predicted ALTs were similar to those previously observed for different vegetation types. At the landscape scale, the predicted ALTs tended to be thinner on higher‐elevation loess deposits than on low‐lying alluvial and sand sheet deposits of the Yukon Flats. The ALT and permafrost maps provide a baseline for future permafrost monitoring, serve as inputs for modelling hydrological and carbon cycles at local to regional scales, and offer insight into the ALT response to fire and thaw processes. Published 2013. This article is a U.S. Government work and is in the public domain in the USA.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».