Towards pan-Arctic glacier calving front variability with deep learning
Notice bibliographique
Résumé
The Arctic has been warming four times faster than the global mean over the last forty years. In response, glaciers across the Arctic have been retreating and losing mass at accelerated rates in recent years, including Greenland, Alaska, Canadian Arctic, Iceland, Svalbard and Russian Arctic. To predict their evolution with confidence, it is important to understand the mechanisms driving mass loss across the Arctic, especially the interconnected relationships between glacier retreat, ice dynamics, and mass imbalance. Over the past several decades, satellite remote sensing has been used to image glaciers over large spatial scales and at high temporal resolution. The volume of data produced, however, has challenged the traditional manual-based approaches to quantify glacier calving dynamics at a sub-annual scale across the whole Arctic. To address this limitation, we use a fully automated deep learning approach to generate a new calving front dataset for pan-Arctic glaciers at a high temporal resolution, by harmonizing multiple satellite missions that are available from the 1970s onwards, including optical missions such as Landsat, ASTER and Sentinel-2, and various SAR missions such as ERS-1/2, Envisat, RADARSAT-1, TerraSAR-X and Sentinel-1. We first present a new training dataset for the Arctic glaciers. We then present a new deep-learning framework for mapping the pan-Arctic glacier calving fronts. We show the interannual and seasonal variability of glacier termini positions by applying this method at scale and investigate the responses of Arctic glaciers to climate change.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».