Notice bibliographique
Résumé
The China-Pakistan Economic Corridor (CPEC) is one of flagship projects of the One Belt One Road Initiative, which faces threats from mountain disasters in the high altitude region, such as glacial lake outburst floods (GLOFs). An up-to-date high-quality glacial lake dataset with critical parameters (e.g. lake types), which is fundamental to flood risk assessments and predicting glacier-lake evolutions, is still largely absent for the entire CPEC. This study describes a glacial lake dataset in 2020 for CPEC at 10–30 m resolution, which was produced from both Landsat and Sentinel optical images as well as glacial lake inventories in 1990 and 2000 from Landsat observation, using an advanced object-oriented mapping method associated with rigorous visual inspection workflows. The results show that Landsat derived 2234 glacial lakes in 2020, covering a total area of 86.31 ± 14.98 km2 with a minimum mapping unit of 5 pixels (4500 m2), whereas Sentinel derived 7560 glacial lakes in 2020 with a total area of 103.70 ± 8.45 km2 with a minimum mapping unit of 5 pixels (500 m2). The discrepancy implies that there is a significant quantity of small glacier lakes not recognized in existing glacial lake inventories and a more thorough inclusion of them require future efforts using higher resolution data. The total number and area of glacial lakes from consistent 30 m resolution Landsat images remain relatively stable despite a slight increase from 1990 to 2020. A range of critical attributes have been generated in the dataset, including lake types of two classification systems and mapping uncertainty estimated by an improved equation. This comprehensive glacial lake dataset has potentials to be widely applied in studies on glacial lake-related hazards and glacier-lake interactions, and is freely available at https://doi.org/10.12380/Glaci.msdc.000001 (Lesi et al., 2022).
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 | 0,003 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,025 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,128 | 0,091 |
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 ».