A characteristic periglacial landform: Automated recognition and delineation of cryoplanation terraces in eastern Beringia
Notice bibliographique
Résumé
Abstract Automated recognition and delineation of specific landforms and their constituent elements ranks among the most active areas of contemporary geomorphological research. This study contributes to that literature by applying semi‐ and fully automated recognition procedures to upland periglacial geomorphic landscapes. The Cryoplanation Terrace semi‐Automated Recognition (CTAR) algorithm utilizes basic terrain parameters to identify locations of cryoplanation terraces (CTs) from the high‐resolution ArcticDEM. Using a multistep process, candidate areas are identified based on morphometric characteristics. CTAR uses terrain derivatives to search ridges, hills, and mountains for flat areas bounded by abrupt breaks in slope. Because CTs are found exclusively in upland periglacial environments, some locations require that low‐lying areas be filtered out. To assess accuracy, CTAR was tested at five local study sites distributed across eastern Beringia, each containing multiple CTs delimited manually in a previous study. CTAR performed well, with an overall accuracy of 90%. A strong linear relationship exists between the size of CTAR‐delimited terraces and those identified in a previous study through air‐photo interpretation. In addition to identifying nearly all of the CTs in the five study areas, a fully automated version of the algorithm (GEE‐CTAR), implemented in Google Earth Engine, identified nearly 8,000 previously unmapped potential CTs in the Seward Peninsula region of western Alaska. The ability to identify CTs from digital elevation models provides a useful tool for recognizing and delineating upland periglacial topography. Objective recognition of large erosional landform elements created by periglacial processes is a critical step in developing the field of periglacial geomorphometry.
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 | 0,000 | 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 | 0,000 | 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 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 ».