Assessing the performance of a distributed radiation-temperature melt model on an Arctic glacier using UAV data
Notice bibliographique
Résumé
Abstract. Enhanced temperature index (ETI) models of glacier surface melt are commonly used in studies of glacier mass balance and runoff. With limited data available most models are validated based on ablation stakes and data from automatic weather stations (AWS). With the technological advances of unmanned aerial vehicles (UAVs) and structure-from-motion (SfM), it is possible to measure glacier surface melt in detail over larger portions of a glacier. In this study, we use melt measured using SfM processing of UAV imagery to assess the performance of an ETI melt model in two-dimensions. Imagery collected over a portion of the ablation zone of Fountain Glacier, NU, on July 21 and 24, 2016 was previously used to determine distributed surface melt. Incoming solar radiation and temperature measured at the AWS, along with albedo derived from UAV imagery, are used as inputs for the model which was used to estimate melt from July 21–24, 2016. Modelled melt agrees with melt measured at the AWS within ±0.010 m. Across the study area the median model error (−0.044 m), calculated as the difference between measured and modelled melt, is within the uncertainty of the measurements. A strong link was found between the model error and glacier surface aspect with higher errors linked to south aspects. The highest errors were also linked to the density of water flow features on the glacier surface. The relation between water flow and model error suggests that energy from surface water flow is contributing significantly to surface melt on Fountain Glacier. Deep surface streams with highly asymmetrical banks are observed on Fountain Glacier, but the processes leading to their formation are missing in the model assessed here. The failure of the model to capture flow-induced melt and to under-estimate melt on south aspects would lead to significant underestimation of surface melt should the model be used to project future change.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».