The Predictive Skill of a Remote Sensing-Based Machine Learning Model for Ice Wedge and Visible Ground Ice Identification in Western Arctic Canada
Notice bibliographique
Résumé
Fine-scale maps of ground ice and related surface features are critical for permafrost-related modelling and management. However, such maps are lacking across almost the entire Arctic. Machine learning provides the potential to automate regional fine-scale ground ice mapping using remote sensing and topographic data. Here, we evaluate the predictive skill of XGBoost models for identifying (1) ice wedge and (2) top-5m visible ground ice in the Tuktoyaktuk Coastlands. We find high predictive skill for ice wedge occurrence (ROC AUC = 0.95, macro F1 = 0.80), with the most important predictors being slope, distance to the coast, and probability of depression. The model accurately predicted regional and local trends in ice wedge occurrence, with an increase in ice wedge polygon (IWP) probability towards the coast and in poorly drained depressions. The model also captured IWP in well-drained uplands of the study area, including locations with poorly visible troughs not contained in the training data. Spatial transferability analyses highlight the regional variability of ice wedge probability, reflecting contrasting climatic and surface conditions. Conversely, the low predictive skill for visible ground ice (ROC AUC = 0.67, macro F1 = 0.53) is attributed to limitations in training data and weak associations with the remotely sensed predictors. The varying predictive accuracy highlights the importance of high-quality reference data and site-specific conditions for improving ground ice studies with data-driven modelling from remote sensing observations.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».