TICOI: an operational Python package to generate regular glacier velocity time series
Notice bibliographique
Résumé
Abstract. Glacier velocity is a crucial observation as it controls the mass redistribution and future evolution of the geometry of a glacier. While glacier annual velocities are now available in open data worldwide, sub-annual velocity time series are still highly uncertain and available at heterogeneous temporal resolutions. This hinders our ability to understand flow processes such as basal sliding and surges, as well as the integration of these observations into numerical models. The latest could help to better constrain future projections of sea level rise. We introduce an open source and operational Python package called TICOI (Temporal Inversion using linear Combinations of Observations, and Interpolation). TICOI fuses multi-temporal and multi-sensor image-pair velocities produced by different processing chains, using the temporal closure principle. In this article, we provide extensive examples of TICOI applications on the ITS_LIVE dataset and in-house velocity products, to generate monthly velocity time series. The results are evaluated against GNSS data collected on three glaciers with different dynamics in Yukon and western Greenland, including a surging glacier. Comparison with GNSS observations demonstrates a reduction in error by up to 50 % in comparison with the raw image-pair velocities and other post-processing methods. This increase in performance comes from the development of methodological strategies to enhance TICOI's robustness to temporal decorrelation and abrupt non-linear changes. In addition, TICOI can retrieve monthly velocity using annual image-pair velocities only, when there is sufficient temporal redundancy. This package opens the door to the harmonization of various datasets, enabling the creation of standardized sub-annual velocity products.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,006 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».