Continental-Scale Machine-Learning Classification of Arctic Glacial Landscapes using Simple Morphometrics
Notice bibliographique
Résumé
Abstract Landscapes formed by glacial erosion have previously been classified based on qualitative interpretation of geomorphic evidence, using aerial photography and field studies. In the current era of high‐resolution elevation data, limited attempts have been made to improve these classifications using quantitative measurements of landscape form (i.e., morphometry). This is despite landscapes of glacial erosion containing a wealth of information relating to past ice behavior, which can in turn aid our understanding of contemporary and future ice dynamics. This study introduces a new classification method which: (a) has a robust quantitative basis, allowing it to be reproducibly applied to a range of land surfaces; and (b) leverages the power of machine learning to interpret patterns at scale and provide classification probability estimates. The method uses intuitive morphometrics calculated from digital elevation models within a random forest machine‐learning model to classify formerly glaciated regions of Arctic Canada and Greenland. The results reveal regional and local variability in glacial erosional style, including distinct populations of scoured landscapes in ice‐free parts of Greenland compared to Canada, and wider preservation of non‐glacial erosional signatures than previously mapped. Our metrics and classification results show that the degree of glacial modification of the landscape is likely linked to factors including pre‐glacial topography, climate (latitude), long‐term ice configuration, proximity to ice divides, and geology. Our findings demonstrate the value of simple morphometrics for extracting information from large elevation data sets and provide a quantitative tool for interpreting landscapes whose glacial history is poorly constrained.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 tête enseignante, 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 ».