Towards precise drone-based measurement of elevation change in permafrost terrain experiencing thaw and thermokarst
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
Measuring ground elevation changes plays a crucial role in several environmental applications. For instance, permafrost soils undergo seasonal active layer freezing and thawing that causes cyclic elevation changes. Permafrost thaw can result in unidirectional ground subsidence, which may be gradual and uniform, or rapid and irregular in the case of thermokarst landforms such as slumps and degrading ice-wedges. Photogrammetric drone surveys have effectively characterized large (> 0.1 m) ground elevation changes resulting from thermokarst, yet many permafrost processes of interest lead to more subtle elevation changes. In this study, we assessed various drone-based surveying strategies for their precision to measure smaller (< 0.1 m) ground elevation changes to better characterize permafrost-driven surface dynamics. The strategies were compared by examining the short-term reproducibility of modeled elevation for 76 bare ground targets, derived from six repeat drone surveys captured under variable illumination. We found that the Phantom 4 RTK drone using direct georeferencing, combined with one fixed ground control point, could reproduce elevations with a mean absolute deviation of 0.6 cm, suggesting a minimum level of change detection of 1.4 cm at 95% confidence. Drone-based methods for measuring permafrost elevation changes should be complementary to in situ and satellite-based (e.g. differential interferometric Synthetic Aperture Radar) approaches.
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 | 0,001 | 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 | 0,000 | 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) | 0,000 | 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