Detecting Short-Term Surface Melt on an Arctic Glacier Using UAV Surveys
Notice bibliographique
Résumé
Current understanding of glacier mass balance changes under changing climate is limited by scarcity of in situ measurements in both time and space, as well as resolution of remote sensing products. Recent innovations in unmanned aerial vehicles (UAVs), as well as structure-from-motion photogrammetry (SfM), have led to increased use of digital imagery to derive topographic data in great detail in many fields, including glaciology. This study tested the capability of UAV surveys to detect surface changes over glacier ice during a three-day period in July 2016. Three UAV imaging missions were conducted during this time over 0.185 km 2 of the ablation area of Fountain Glacier, NU. These were processed with the SfM algorithms in Agisoft Photoscan Professional and overall accuracies of the resulting point clouds ranged from 0.030 to 0.043 m. The high accuracy of point clouds achieved here is primarily a result of a small ground sampling distance (0.018 m), and is also influenced by GPS precision. Glacier surface change was measured through differencing of point clouds and change was compared to ablation stake measurements. Surface change measured with the UAV-SfM method agreed with the coincident ablation stake measurements in most instances, with RMSE values of 0.033, 0.028, and 0.042 m for one-, two-, and three-day periods, respectively. Total specific melt over the study area measured with the UAV was 0.170 m water equivalent (w.e.), while interpolation of ablation measurements resulted in 0.144 m w.e. Using UAVs to measure small changes in glacier surfaces will allow for new investigations of distribution of mass balance measurements.
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 | 0,001 | 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 | 0,000 |
| 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 ».