Arctic coastal erosion: UAV-SfM data collection strategies for planimetric and volumetric measurements
Notice bibliographique
Résumé
Above average warming in the Arctic is leading to increasing permafrost temperatures and a reduction in sea ice cover, which are expected to contribute to increasing rates of Arctic coastal erosion and sediment release. We studied a 1.5 km stretch of coastline off Richard’s Island, Northwest Territories, Canada, consisting of multiple retrogressive thaw slumps (RTSs) with varying degrees of activity over a one-year period. Multi-temporal 2D and 3D geomorphic analysis was based on unmanned aerial vehicle-Structure-from-Motion (UAV-SfM) data sets collected in 2018 and 2019. Over the observation period, −3.9 m and −1.1 m of planimetric cliff edge and toe retreat occurred, respectively, and corresponded to an average volumetric change of 8.1 m 3 m −1 . The accuracy of UAV-SfM-derived digital elevation models was tested using 12 data collection and processing scenarios, testing the influence of off-nadir camera angle, flight pattern, and georeferencing strategy. We found that oblique imaging and georeferencing strategy had a large influence on vertical accuracy and variability across the study site and has implications for studying volumetric changes in RTSs. This study furthers the geomorphological understanding of RTS processes by highlighting the complex relationship between planimetric and volumetric change along rapidly retreating Arctic coasts, and demonstrates advancements in measurement practices for UAV-SfM data sets.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».