TICOI: an operational Python package to generate regularized glacier velocity time series
Notice bibliographique
Résumé
Abstract. Ice velocity is a crucial observation as it controls glacier mass redistribution and future geometry. While glacier annual velocities are now available in open-source worldwide, sub-annual velocity time series are still highly uncertain and available at heterogeneous temporal resolutions. This hinders our ability to understand flow processes, such as basal sliding or surges, and integration of these observations in numerical models. We introduce an open source and operational Python package called TICOI (Temporal Inversion using Combination of Observations and Interpolation). TICOI fuses multi-temporal and multi-sensor image-pair velocities produced by different processing chains, using the temporal closure principle. In this article, we provide extensive examples of TICOI application on the ITS_LIVE dataset and in-house velocity products. The results are validated using GNSS data collected on three glaciers with different dynamics in Yukon and western Greenland, including a surging glacier. Comparison with GNSS observations demonstrates a reduction in error by up to 50 % in comparison with the raw image-pair velocities and other post-processing methods. This increase in performance comes from the development of methodological strategies to enhance TICOI's robustness to temporal decorrelation and abrupt non-linear changes. TICOI also proves to be able to retrieve monthly velocity when only annual image-pair velocities are available. This package opens the door to the regularization of various datasets, enabling the creation of standardized sub-annual velocity products.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,012 |
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 ».