Retrieving freeze-thaw states using deep learning with remote sensing data in permafrost landscapes
Notice bibliographique
Résumé
The soil freeze–thaw (FT) cycle is a critical component of the terrestrial cryosphere and plays a significant role in hydrological, ecological, climatic, and biogeochemical processes within permafrost landscapes. The FT states can be monitored with in-situ field measurements, but these procedures are costly and limited to single chosen sites. Remote sensing data provides the opportunity to collect information repeatedly across extensive geographical areas. To explore a more effective way to monitor the FT states in the terrestrial cryosphere, in this study, we used microwave and optical remote sensing data and introduced the Deep Learning approach to simulate the soil FT states in the western part of Nunavik, Canada. Two networks, Multilayer Perceptron (MLP) and Convolutional Neural Network (CNN), were trained and tested with over 35,000 and approximately 54,000 randomly selected data samples, respectively. The trained CNN networks outperformed the MLP networks, achieving the highest testing accuracy of 95.67% and the highest validation accuracy of 87.28% based on ground truth data from 32 measurement stations from all seasons across the year. This study proposed the reference periods concept for convenient labeling in data preparation and tested different combinations of influence variables to achieve better transferability of the method for future studies. Our findings offer a more effective way to monitor FT states in the terrestrial cryosphere, offering valuable insights into the consequences of climate change on permafrost landscapes. Moreover, the suggested deep learning approach can be easily expanded when additional input sources are accessible. This expansion has the potential to further improve the model's performance for the FT retrieval.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».