Mapping Retrogressive Thaw Slumps Using Single-Pass TanDEM-X Observations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vast areas of the Arctic host ice-rich permafrost, which is becoming increasingly vulnerable to terrain-altering thermokarst in a warming climate. Among the most rapid and dramatic changes are retrogressive thaw slumps. These slumps evolve by a retreat of the slump headwall during the summer months, making them detectable by comparing digital elevation models over time using the volumetric change as an indicator. Here, we present and assess a method to detect and monitor thaw slumps using time series of elevation models applied on two contrasting study areas in Northern Canada. Our two-step method is tailored to single-pass InSAR observations from the TanDEM-X satellite pair, which have been acquired since 2011. For each acquisition, we derive a digital elevation model and uncertainty estimates. In the first step, we difference digital elevation models and detect the significant elevation changes using a blob-detection algorithm. In the second step, we classify the detections into those due to thaw slumps and other causes using a simple thresholding method (accuracy: 78%), a random forest classifier (87%), and a support vector machine (86%). When our method is applied to other areas, the classifiers should be trained with data from part of the study area or with data obtained from similar areas in terms of topography, vegetation, and thaw slump characteristics to achieve the best performance. The obtained locations of thaw slumps can be used as a starting point to extract important slump properties, such as the headwall height and the volumetric change, which are currently not available on regional scales.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 découle