Large-scale and High-resolution Frontal Ablation Estimates in the Arctic through a Machine Learning Approach
Notice bibliographique
Résumé
Frontal ablation is an important component of tidewater glacier mass loss, however, high temporal resolution estimates have remained elusive due to difficulty in reliably capturing terminus position changes with satellite imagery. Recent developments in machine learning-based radar image segmentation to automatically delineate glacier fronts has opened an opportunity to calculate frontal ablation over fine timescales. Through segmentation of Sentinel-1 synthetic aperture radar image sequences, we aim to quantify seasonal and annual frontal ablation across several Arctic regions, using a deep learning-based terminus segmentation algorithm. Svalbard, an Arctic region characterized by variable and complex glacier and fjord geometries, will serve as a methodological test site before expanding the scope to the Canadian Arctic, Greenland periphery, and Russian Arctic, or ~1400-1500 marine-terminating glaciers in the Northern Hemisphere. The derived frontal ablation information is valuable to climate and glacier models, which could benefit from high-resolution reference data, resulting in improved calibrations and parameterizations. Future project efforts will include quantifying total mass budget for all glaciers in the study by integrating frontal changes, ice discharge calculations from ice thickness and surface velocity products, and climatic mass balance data. To identify and evaluate external drivers of glacier change, the frontal ablation and mass balance products will be combined with modeled and observational atmospheric, oceanic, and sea ice data. Through multivariate statistical analyses between these Earth system datasets and mass balance components, we look to provide an improved understanding of dynamic tidewater glacier processes, their spatio-temporal variability, and the influence of glacier geometry on observed changes throughout the Arctic.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».