Slope estimation influences on ice thickness inversion models: a case study for Monte Tronador glaciers, North Patagonian Andes
Notice bibliographique
Résumé
Abstract Glacier ice thickness is crucial to quantifying water resources in mountain regions, and is an essential input for ice-flow models. Using a surface velocity inversion method, we combine ice thickness measurements with detailed surface elevation and velocity data, and derive ice thickness and volume estimates for the Monte Tronador glaciers, North Patagonian Andes. We test the dependence of the inversion model on surface slope by resampling glacier slopes using variable smoothing filter sizes of 16–720 m. While total glacier volumes do not differ considerably, ice thickness estimates show higher variability depending on filter size. Smaller (larger) smoothing scales give thinner (thicker) ice and higher (lower) noise in ice thickness distribution. A filter size of 300 m, equivalent to four times the mean ice thickness, produces a noise-free thickness distribution with an accuracy of 35 m. We estimate the volume of the Monte Tronador glaciers at 4.8 ± 2 km 3 with a mean ice thickness of 75 m. Comparison of our results with earlier regional and global assessments shows that the quality of glacier inventories is a significant source of discrepancy. We show that including surface slope as an input parameter increases the accuracy of ice thickness distribution estimates.
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 ».