Using Remote Sensing, Statistical, and Machine Learning Techniques to Assess Alaskan River Ice Phenology and Thickness
Notice bibliographique
Résumé
Climate change is leading to river ice thinning and shorter ice cover durations, posing significant risks to travel safety and ecosystem health. Due to limited in-situ observations in Alaska, models and remote sensing are employed to understand changing river conditions. This study conducts a comparative evaluation of statistical, machine learning, and remote sensing techniques to assess river ice presence and thickness across Alaska and the Yukon River basin. Sentinel-1 synthetic aperture radar data, climate model outputs, and in-situ river ice observations throughout Alaska are used to evaluate the regional applications of these techniques for determining river ice phenology and thickness. Our analysis reveals that ice presence can be accurately identified using Sentinel-1 images and climate data processed through machine learning models, achieving high accuracy across Alaska. Predicting ice break-up and freeze-up with these methods also yields high accuracy, with a root mean square error (RMSE) of 5.3 and 15.0 days, respectively, for machine learning at out-of-sample locations. Statistical, machine learning, and remote sensing techniques each demonstrated similar performance in determining ice thickness, with RMSEs ranging from 18 to 23 cm for out-of-sample years or locations. However, an ensemble of these methods significantly reduced the RMSE to 13 cm. Using the best-performing models, we generated high-resolution estimates of river ice phenology and thickness for major rivers in Alaska. The ensemble river ice thickness methods and the machine learning ice presence model show promise for widespread application in diverse regions, facilitating environmental monitoring and enhancing river ice safety.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».