Extracting recent short-term glacier velocity evolution over southern Alaska and the Yukon from a large collection of Landsat data
Notice bibliographique
Résumé
The measurement of glacier velocity fields using repeat satellite imagery has become a standard method of cryospheric research. However, the reliable discovery of important glacier velocity variations on a large scale is still problematic because time series span different time intervals and are partly populated with erroneous velocity estimates. In this study we build upon existing glacier velocity products from the GoLIVE dataset (https://nsidc.org/data/golive, last access: 26 February 2019) and compile a multi-temporal stack of velocity data over the Saint Elias Mountains and vicinity. Each layer has a time separation of 32 days, making it possible to observe details such as within-season velocity change over an area of roughly 150 000 km2. Our methodology is robust as it is based upon a fuzzy voting scheme applied in a discrete parameter space and thus is able to filter multiple outliers. The multi-temporal data stack is then smoothed to facilitate interpretation. This results in a spatiotemporal dataset in which one can identify short-term glacier dynamics on a regional scale. The goal is not to improve accuracy or precision but to enhance extraction of the timing and location of ice flow events such as glacier surges. Our implementation is fully automatic and the approach is independent of geographical area or satellite system used. We demonstrate this automatic method on a large glacier area in Alaska and Canada. Within the Saint Elias and Kluane mountain ranges, several surges and their propagation characteristics are identified and tracked through time, as well as more complicated dynamics in the Wrangell Mountains.
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 | 0,001 |
| 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 ».