Assessing Ice Break-Up Trends in Slave River Delta through Satellite Observations and Random Forest Modeling
Notice bibliographique
Résumé
The seasonal temperature trends and ice phenology in the Great Slave Lake (GSL) are significantly influenced by inflow from the Slave River. The river undergoes a sequence of mechanical break-ups all the way to the GSL, initiating the GSL break-up process. Additionally, upstream water management practices impact the discharge of the Slave River and, consequently, the ice break-up of the GSL. Therefore, monitoring the break-up process at the Slave River Delta (SRD), where the river meets the lake, is crucial for understanding the cascading effects of upstream activities on GSL ice break-up. This research aimed to use Random Forest (RF) models to monitor the ice break-up processes at the SRD using a combination of satellite images with relatively high spatial resolution, including Landsat-5, Landsat-8, Sentinel-2a, and Sentinel-2b. The RF models were trained using selected training pixels to classify ice, open water, and cloud. The onset of break-up was determined by data-driven thresholds on the ice fraction in images with less than 20% cloud coverage. Analysis of break-up timing from 1984 to 2023 revealed a significant earlier trend using the Mann–Kendall test with a p-value of 0.05. Furthermore, break-up data in recent years show a high degree of variability in the break-up rate using images in recent years with better temporal resolution.
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) | 0,000 | 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 | 0,000 |
| 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 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 ».