Landform mapping, elevation modelling, and thaw subsidence estimation for permafrost terrain using a consumer-grade remotely-piloted aircraft
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 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 découle