Monthly variations of glacier velocity extracted from large scale datasets
Notice bibliographique
Résumé
Massive processing using correlation algorithms on optical and SAR image pairs are now largely used to measure glacier surface velocity worldwide. This variable is crucial as it controls glacier mass redistribution and geometry changes. Post-processed products of these raw image-pair velocities are available at an annual scale in open-access. However, at shorter time scales, velocity time-series are still highly uncertain and available at heterogeneous temporal resolutions. This hinders our ability to understand physical processes related to glacier dynamics, such as basal sliding or surges, and the integration of these observations in numerical models. Therefore, post-processing pipelines are needed to extract sub-annual velocity time-series from the large-scale datasets available in open-access or on demand.Here, we introduce an open source and operational Python package called TICOI (Temporal Inversion using Combination of Observations and Interpolation). TICOI is an out-of-core algorithm. It accesses cloud datasets without fully loading them into local memory, and parallelize the processing by chunks, using the dask library. TICOI fuses multi-temporal and multi-sensor image-pair velocities produced by different processing chains, using the temporal closure principle. Several strategies are implemented to improve TICOI robustness to Gaussian noise, temporal decorrelation, and abrupt non-linear changes. Here, we provide extensive examples of TICOI application on the ITS\_LIVE cloud dataset and in-house velocity products. We discuss the performance of our pipeline using GNSS data collected on three glaciers with different dynamics in Yukon and western Greenland. We show that TICOI is able to retrieve monthly velocities even when only annual image-pair velocity observations are available, implying a paradigm shift. Finally, we illustrate the spatio-temporal variations of velocity retrieved by TICOI in several montain range: the Mont Blanc Massif in the Alps, the Qilian Mountains in High Mountain Asia, and the St Elias Mountains in Yukon, Canada.This package opens the door to the regularization of various datasets, enabling the production of standardized sub-annual velocity time-series.
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 | 0,002 | 0,003 |
| 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) | 0,004 | 0,003 |
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 ».