Assessing machine learning models to generate permafrost distribution map in Solukhumbu, Nepal
Notice bibliographique
Résumé
Permafrost is one of the key components of the cryosphere. Previous studies show that the extent of permafrost has shifted to higher elevations in Nepal. These researches, however, has been hampered by inconsistency in their study period. Proxies like rock glaciers and climatic variables, such as multi-decadal annual air temperature, are used to link towards the likely occurrence of permafrost. Here, the rock glacier inventory of Solukhumbu was prepared, and classified based on their activity (Intact/Relict) from Google Earth. Talus-based rock glaciers were observed more than glacier-derived ones. These rock glaciers were highly correlated with Mean Annual Air Temperature, followed by potential incoming solar radiation and slope. Three machine learning models (Logistic Regression, Random Forest and Support Vector Machines) were trained to generate permafrost probability distribution maps based on their prediction of the probability of rock glaciers being intact as opposed to relict. Logistic Regression and Support Vector Machines were able to produce a similar spatial distribution of permafrost. However, the Random Forest has low precision of spatial variation. The permafrost distribution map suggests the likely occurrence of permafrost to be above 5000 m, indicating a potential for rock and landslides should it thaw in the future. While higher-resolution input data can improve the results, this approach remains promising for application in permafrost regions where information about the ice content of rock glaciers is very limited.
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 | 0,001 | 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) | 0,001 | 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 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 ».