Volume change of tropical Peruvian glaciers from multi-temporal digital elevation models and volume–surface area scaling
Notice bibliographique
Résumé
To estimate hydrological storage and better understand the climatic implications of glacier retreat, the volume of glacial ice is a critical but problematic variable. High-accuracy mapping of glacier surface changes over time can directly estimate volume changes, allowing for explicit testing and refining of scaling relationships between changes in glacier volume and surface area that are necessary for making an inventory of remaining glacier mass with remote imagery. A combination of airborne LiDAR, spaceborne remote sensing imagery, digital photogrammetry, and geospatial techniques is used to assess the changes in volume and surface area of six glaciers in the Cordillera Blanca, Peru, between 1962 and 2008. The loss of glacier surface area ranges from 30.79% to 72.62%, corresponding to individual glacier volume changes ranging from 0.019 to 0.150 km3. The volume–surface area scaling is deduced from the change in volume related to the change in surface area by a power relationship quantified from 13 different epoch series. The result shows that there is about 36% more volume loss relative to the loss expected from surface area alone of these individual glaciers in the study area than other glaciers in mid- and high-latitudes from the previous study. Since the error of volume estimation shows a much larger impact on the increase with the size of glaciers, volume–surface area scaling analysis needs to include larger ice masses with regional inventories for a more accurate estimation.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| 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 ».