Landform mapping, elevation modelling, and thaw subsidence estimation for permafrost terrain using a consumer-grade remotely-piloted aircraft
Notice bibliographique
Résumé
We assess performance of a small consumer-grade remotely-piloted aircraft (RPA) for landform mapping, elevation modelling, and thaw subsidence estimation in continuous permafrost terrain. We acquired RPA imagery near Rankin Inlet, Nunavut, to construct orthomosaics and digital elevation models (DEMs) that we use to interpret geomorphology and surficial geology. We estimate seasonal thaw subsidence using DEM differences. To quantify accuracy, RPA DEMs are compared with a satellite-based reference elevation. Subsidence estimates are compared with measurements from differential interferometric synthetic aperture radar (DInSAR). We find that RPA images are very effective for mapping periglacial landforms and surficial geology with the chosen flight specifications. The DEMs exhibit vertical mean absolute error of approximately 1 cm at ground control points. Away from control points, relative vertical accuracy is approximately 3 cm. Comparison to the reference elevation results in survey-wide vertical mean absolute errors of 33–66 cm with high variability and spatial autocorrelation of elevation discrepancy. There is local agreement between DEM differences, DInSAR, and on-the-ground measurements of seasonal subsidence. Results suggest that small RPA may be applicable for mapping thaw subsidence on the order of a few centimetres near control points. However, DEM differences are influenced by vegetation and are contaminated by spatially-variable artefacts, preventing reliable survey-wide RPA estimation of seasonal thaw subsidence.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».