Drivers of global glacial erosion rates
Notice bibliographique
Résumé
Glacial erosion must be quantified to better constrain numerous geomorphic and orogenic processes; however, accurate models of glacial erosion have been limited by sparse data. Here we use machine learning tools to develop equations that integrate glacial erosion and glaciological, topoclimatic and geological variables based on a global-scale synthesis of 181 contemporary glacier-derived erosion rates. The results reveal environment-specific erosion rate equations for surge-type, marine- and land-terminating glacial settings. We demonstrate that glacial velocity is not the most statistically important predictor of glacial erosion in any environment. Instead, an improved prediction of glacial erosion is attained when velocity is considered with additional glaciological, topoclimatic and geological variables, with the most dominant influences exhibited by precipitation, glacial elevation, length, latitude and the underlying geology. Using these equations, we estimate erosion rates for 85% of contemporary glaciers, with 99% eroding between 0.02 and 2.68 mm yr−1. Our results suggest a need to adjust how we predict or hindcast glacial erosion rates and highlight their sensitivity not only to changes in glacial sliding velocity but also to additional glaciological, topoclimatic and geological influences. Considering glaciological, topoclimatic and geological variables in addition to glacial velocity improves the prediction of glacial erosion rates according to a machine learning-based global analysis.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».