Spatially varying WIndow based maximum likelihood feature tracking (SWIFT) method for glacier surface velocity estimations
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
Glacier surface velocity is an important variable for glacier dynamics studies. Estimation of accurate surface velocity from remote sensing is a challenge, especially for glaciers with no in-situ observations. To overcome this challenge, a new method for glacier feature tracking named as Spatially varying WIndow based maximum likelihood Feature Tracking (SWIFT) has been proposed. This method utilizes both optical data (to automatically determine the window size [WS] using the concept of Object Based Image Analysis [OBIA]) and Synthetic Aperture Radar (SAR) data (to perform feature tracking). The proposed method uses a spatially varying WS unlike other existing softwares that cannot provide the flexibility of a spatially varying WS. The proposed method has been tested and validated at three different glaciers (South Glacier [SG], Canada; Chhota Shigri Glacier [CSG], India; and Tasman Glacier [TG], New Zealand) for which field measured data were available. The obtained results for all three glaciers showed consistent improvement in estimated velocity by SWIFT when compared with spatially fixed WS-based estimates from normalized cross correlation-based Correlation Image Analysis Software (CIAS). Considering the data availability, the proposed SWIFT method has been implemented using a variety of SAR and optical satellite data to understand its performance/effectiveness for glacier surface velocity estimation. When validated against field measurements, the results from SWIFT gave an RMSE of 12.8 m/years, 15.32 m/years and 67.1 m/years for SG, CSG and TG, respectively. Moreover, the RMSE of SWIFT estimates were observed to have an RMSE that was 19–36% lower than the best performing spatially fixed WS.
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) | 0,004 | 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