A geospatial model to determine patterns in river ice cover breakup and jamming behaviour
Notice bibliographique
Résumé
In the past, both empirical and process-based attempts have been made to predict river ice behaviour, in particular ice cover breakup and ice jamming occurrences. These methods perform with varying and limited success and tend to be site specific. A method is required which can simply estimate the predisposition of river reaches to ice breakup and jamming events. This paper introduces a geospatial modelling approach which can fulfil that task and improve the predictive power of ice cover breakup and ice jamming behaviour. The geospatial model can determine the most vulnerable sections along the studied reaches to such behaviour, which are phenomena entailing hydraulic, ice morphology and fluvial geomorphology. A geospatial model clusters hydraulic characteristics (e.g. discharge or stage), ice characteristics (e.g. ice thickness \nand ice type) and river geomorphological characteristics (e.g. sinuosity, slope, width, etc.) into common river features called Geomorphic Response Units (GRU). A statistical clustering technique such as principle component analysis (PCA) is used to derive these GRUs. It is assumed that certain GRUs will be more susceptible to certain ice cover behaviour, such as breakup and jamming of river ice. Data acquired along the Slave River and its delta in Canada is used to test the geospatial model. The main data sources are space-borne remote sensing MODIS imagery and traditional and local knowledge from members of the communities alongside the river, in particular Fort Resolution and Fort Smith
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».