Estimating volume of large slow-moving deep-seated landslides in northern Canada from DInSAR-derived 2D and constrained 3D deformation rates
Notice bibliographique
Résumé
Large slow-moving deep-seated landslides are observed in two different regions of northern Canada with advanced Differential Synthetic Aperture Radar (DInSAR). Two-dimensional vertical and horizontal east-west deformation rates and time series are computed from ascending and descending Sentinel-1 imagery acquired during 2017–2022. The landslides' east-west deformation rate is significantly larger than the vertical deformation rate, so it is better suited for landslide characterization. The deformation rates remain nearly constant and unaffected by seasonal changes during the entire period, suggesting substantial landslide thickness. Two large landslides in Alberta and the largest landslide in the Northwest Territories are studied in detail to demonstrate various advanced value-added products produced from DInSAR results. From ascending and descending line-of-sight deformation rates, Surface-Parallel Flow (SPF) and Aspect-Parallel Flow (APF)-constrained three-dimensional (3D) deformation rates are computed. Landslides thicknesses are then estimated from the APF-constrained 3D deformation rates, and the limitations of these techniques are discussed. The estimated thickness of the Northwest Territories landslide reaches 100 m, suggesting that the entire permafrost block may be sliding above the non-permafrost ground. The described techniques allow for mapping slow-moving deep-seated landslides in harsh conditions in areas affected by seasonal land cover changes, as in northern Canada. The decomposition of landslide motion into two or three components in certain conditions allows us to derive landslide thickness and volume and improve the estimation of a potential hazard posed by landslides.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».