SAR Enabled Glacier Monitoring Within Canada
Notice bibliographique
Résumé
Data from Synthetic Aperture Radar sensors and, in particular, the Radarsat missions, have been important for resolving glacier motion within Canada, necessary to determine the impact of changing climate on ice dynamics. For example, offset tracking of data collected by Radarsat-1 provided some of the first evidence that glacier motion could be reliably determined, while offset tracking of Radarsat-2 data enabled the first systematic annual monitoring of glacial motion across Northern Canada and the associated spatial and temporal variations in glacier motion. Offset tracking of data collected by the Radarsat Constellation Mission (RCM) is now being utilized to continue the foundational work from the earlier missions. Here we provide an assessment of the quality of the offset tracking results derived from High Resolution (5 m) RCM imagery acquired over the St. Elias Mountains in SW Yukon in the winters of 2022 and 2023. Our comparisons between remote sensing derived displacements and 50 unique in situ dGPS displacements indicate an average agreement within 6.6 m/year, while off-ice displacements indicate a median error <~8 m/yr. We also present examples of how temporally dense records of glacier velocities derived from both RCM and TerraSAR-X data are being leveraged to better characterize acceleration and deceleration processes related to glacier surging as well as tidewater glacier behaviour. This includes the identification of two surges (Lowell Glacier in winter 2022 and Chitina Glacier in 2023) from RCM data and the description of seasonality of fast flowing glaciers in the Canadian Arctic (Belcher, Trinity and Wykeham Glaciers) from TSX imagery. Finally, we provide a discussion of the future work that will be possible with the fusion of multiple catalogues of glacier motion derived from a multitude of SAR sensors within Canada.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,015 |
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 ».