Detecting mass wasting of Retrogressive Thaw Slumps in spaceborne elevation models using deep learning
Notice bibliographique
Résumé
Climate change has led to stronger warming in the Arctic, causing higher ground temperatures and extensive permafrost thaw. Retrogressive Thaw Slumps (RTSs) represent one of the most rapid and considerable geomorphological changes in permafrost regions, occurring when ice-rich permafrost is exposed and thaws. However, large-scale quantification of RTS-related mass wasting in Arctic permafrost landscapes is currently lacking, despite its importance to understand impacts on local environments and the global permafrost carbon cycle. Generating differential digital elevation models (dDEMs) from TanDEM-X single-pass Interferometric SAR (InSAR) observations enables us to quantify volume changes induced by rapid permafrost thaw. To extend this capability across the entire Arctic permafrost region, automation in data processing and RTS detection is essential. This study introduces a method that employs deep learning on InSAR-derived dDEMs to map RTSs and quantify volume changes from RTS activity. We chose eleven study sites with a total area of 71 400 km 2 to reflect the diverse character of Arctic environments for model training, testing, and inference. Our trained UNet++ model delivers a scalable solution for mapping RTSs and quantifying mass wasting towards a pan-Arctic scale, achieving segmentation accuracies of 0.58 (Intersection over Union) and classification accuracies of 0.75 (F1) on previously unseen test sites, with volume change estimates from model predictions being within ± 20% of the actual values. We found a total of almost 5000 RTSs active between 2010 and 2021 with volume change rates between 40.75 m 3 yr −1 km 2 for sites in the Siberian to 1164.11 m 3 yr −1 km 2 in the Canadian Arctic. • We developed a deep learning method to detect RTS activity on differential DEMs. • The method achieved a segmentation IoU of 0.58, mean IoU of 0.73, and F1 of 0.75. • The automatic segmentation method matches domain experts’ RTS labelling accuracy. • Model predictions of RTS area and volume change have an accuracy of ±20%. • We identified 4882 active Arctic RTSs between 2010 and 2021 across 71 400 km 2 .
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».