Data and script for: Trends and drivers of Arctic lake color change from Landsat time series"
Notice bibliographique
Résumé
Overview This repository contains the information for the paper "Trend and drivers of Arctic lake color change from Landsat time series". DOI: (to be added after publication) Data All datasets used in this study are publicly accessible, including: USGS Landsat 5, 7, 8 Level 2 Collection 2 Tier 1 archives, accessed through Google Earth Engine; HydroLAKES v1.0 (Messager et al. 2016); Dataset for Assessing volumetric change distributions and scaling relations of thaw slumps across the Arctic (Bernhard 2021); CRU TS v4.04 (Harris et al. 2020) Scripts The Google Earth Engine (GEE) scripts used for applying cross-sensor Landsat calibration and constructing lake-level Landsat time series can be accessed on https://code.earthengine.google.com/?accept_repo=users/Qianyu_Chang/lakecolor This repository contains Python scripts for: calibration.py - computing Landsat cross-sensor calibration coefficients based on matchup records produced using the GEE script. trends.py - computing gradual lake color change. beast.py - detecting abrupt changes in lake color with the BEAST changepoint analysis; linking abrupt changes to inter-annual summer temperature variation using lagged correlation function. fire.py - computing fire impact on lake color. A more detailed description of each script can be found within the .py file. The .csv files are associated with the Python scripts, including: HydroLakes.csv - HydroLAKES metadata: ID, number of lakeshore slumps, sub-region, and fire label of each lake. lakeAnnualStats.csv - annual mean summer lake color of each lake measured by surface reflectance in red, green, and NDTI. lakeTrends_1985-2022.csv - Sen's slope of each lake and each color metric during 1985 - 2022. calibrationMatchup_78.csv - sample Landsat 7/8 matching observations used for cross-sensor calibration, computed on Google Earth Engine. References Bernhard, P., 2021. Dataset for Assessing volumetric change distributions and scaling relations of thaw slumps across the Arctic. https://doi.org/10.3929/ETHZ-B-000482449. Harris, I., Osborn, T.J., Jones, P. et al. Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Sci Data 7, 109 (2020). https://doi.org/10.1038/s41597-020-0453-3. Messager, M.L., Lehner, B., Grill, G., Nedeva, I., Schmitt, O. (2016). Estimating the volume and age of water stored in global lakes using a geo-statistical approach. Nature Communications, 7: 13603. https://doi.org/10.1038/ncomms13603.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,186 | 0,132 |
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 source (Gemma direct ou Codex distillé), 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 ».