Ice discharge error estimates using different cross-sectional area approaches: a case study for the Canadian High Arctic, 2016/17
Notice bibliographique
Résumé
ABSTRACT We analyse the various error sources in the estimation of ice discharge through flux gates, distinguishing the cases with ice-thickness data available for glacier cross-sections or only along the centreline. For the latter, we analyse the performance of three U-shaped cross-sectional approaches. We apply this methodology to glaciers of the Canadian High Arctic. The velocity field is the main error source for small and medium-size glaciers (discharge <100 Mt a−1) with low velocities (<100 m a−1), while for large glaciers (discharge >100 Mt a−1) with high velocities (>100 m a−1) the error in cross-sectional area dominates. Thinning/thickening between ice-thickness and velocity measurements should be considered, as it implies systematic errors up to 8% in our study. The U-shaped parabolic approach, which allows for an adjusted estimation when the ice-thickness measurement point is displaced from the glacier centreline, performs best, with small bias and admissible standard error. We observe an increase of ice discharge from the main glaciers (Trinity and Wykeham) of the Prince of Wales Icefield from 2015 to 2016, by 5 and 20%, respectively, followed by a decrease in 2017, by 10 and 15%, respectively. Belcher Glacier, of the Devon Ice Cap, maintains similar discharges during 2015–17.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».