Flow Routing for Delineating Supraglacial Meltwater Channel Networks
Notice bibliographique
Résumé
Growing interest in supraglacial channels, coupled with the increasing availability of high-resolution remotely sensed imagery of glacier surfaces, motivates the development and testing of new approaches to delineating surface meltwater channels. We utilized a high-resolution (2 m) digital elevation model of parts of the western margin of the Greenland Ice Sheet (GrIS) and retention of visually identified sinks (i.e., moulins) to investigate the ability of a standard D8 flow routing algorithm to delineate supraglacial channels. We compared these delineated channels to manually digitized channels and to channels extracted from multispectral imagery. We delineated GrIS supraglacial channel networks in six high-elevation (above 1000 m) and one low-elevation (below 1000 m) catchments during and shortly after peak melt (July and August 2012), and investigated the effect of contributing area threshold on flow routing performance. We found that, although flow routing is sensitive to data quality and moulin identification, it can identify 75% to 99% of channels observed with multispectral analysis, as well as low-order, high-density channels (up to 15.7 km/km2 with a 0.01 km2 contributing area threshold) in greater detail than multispectral methods. Additionally, we found that flow routing can delineate supraglacial channel networks on rough ice surfaces with widespread crevassing. Our results suggest that supraglacial channel density is sufficiently high during peak melt that low contributing area thresholds can be employed with little risk of overestimating the channel network extent.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».