Estimating lake ice thickness in Central Ontario
Notice bibliographique
Résumé
Lakes are a key geographical feature in Canada and have an impact on the regional climate. In the winter, they are important for recreational activities such as snowmobiling and ice fishing and act as part of an important supply route for northern communities. The ability to accurately report lake ice characteristics such as thickness is vital, however, it is underreported in Canada and there is a lack of lake ice thickness records for temperate latitude areas such as Central Ontario. Here, we evaluate the application of previously developed temperature models and RADARSAT-2 for estimating lake ice thickness in Central Ontario and provide insight into the regions long term ice thickness variability. The ALS Environmental Science Shallow Water Ice Profiler (SWIP) was used for validation of both temperature and radar-based models. Results indicate that the traditional approach that uses temperatures to predict ice thickness during ice growth has low RMSE values of 2.3 cm and correlations of greater than 0.9. For ice decay, similar low RMSE values of 2.1 cm and high correlations of 0.97 were found. Using RADARSAT-2 to estimate ice thickness results in R2 values of 0.6 (p < 0.01) but high RMSE values of 11.7 cm. Uncertainty in the RADARSAT-2 approach may be linked to unexplored questions about scattering mechanisms and the interaction of radar signal with mid-latitude lake ice. The application of optimized temperature models to a long-term temperature record revealed a thinning of ice cover by 0.81 cm per decade.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».