Optimizing rock glaciers activity classification in South Tyrol (North-East Italy): integrating multisource data with statistical modelling
Notice bibliographique
Résumé
Abstract. As a consequence of climate warming, high-altitude periglacial and glacial environments exhibit the clearest signs of cryosphere degradation, and the Alps serve as a natural laboratory for studying the primary effects on permafrost-related features. Our research in South Tyrol, North-East Italy, aimed to develop an updated classification system for rock glaciers activity, based on remote sensing data and statistical models, with the aim of categorizing them as active, transitional, or relict according to the recent RGIK guidelines. Since the current regional inventory includes activity attributes based only on morphological observations and differential SAR interferometry (DInSAR) coherence, it lacks a comprehensive definition integrating climatic drivers, displacement rates, and morphometric parameters. To address this, we utilized the Alaska Satellite Facility's InSAR cloud computing, employing small baseline subset (SBAS) approach and MintPy algorithms to extract velocity data for each rock glacier in South Tyrol. Additionally, we analyzed geomorphological and climatic maps derived from in-situ and remote sensing data to obtain descriptive parameters influencing rock glaciers development and activity. From a wide range of potential variables, we selected eight key predictors, representing physical (e.g. temperature), morphological (e.g. roughness), and dynamic (e.g. velocity and coherence indicators) attributes. These predictors were successively integrated in a multiclass generalized additive mixing model (GAM) classifier to categorize the landforms. Applying this model to the entire dataset (achieving an AUC over 0.9) allowed us to address gaps in previous classification methods and provided activity attributes for previously unclassified rock glaciers, along with associated uncertainty values. Our approach improved classification accuracy, leaving only 3.5 % of features unclassified compared to 13 % in morphological classification and 18.5 % in DInSAR-based methods. The results revealed a predominance of relict features (~75 %) and a smaller number of active ones (~10 %). The distribution of active, transitional, and relict classes suggests that the transition from active to relict states is not a direct process. Instead, an intermediate transitional phase is commonly observed. This comprehensive approach refines the categorization of mapped features and improves our understanding of the factors influencing rock glaciers activity in alpine environment.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».