Debris covered glacier mapping using newly annotated multisource remote sensing data and geo-foundational model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The automated mapping of debris covered glaciers remains challenging due to spectral similarity between supraglacial debris (on-glaciers) and periglacial debris (off-glaciers). Deep learning offers promising capabilities, yet the lack of high-quality publicly available datasets and limited exploration of optimal model architecture constrain progress in this domain. To address this, we introduce the Global Supraglacial Debris Cover Dataset (GSDD), consisting of 1,876 images (∼49,000.00 km 2 ) collected globally from diverse glacierized regions, including High Mountain Asia, Andes, Western Canada, Alaska, and Swiss Alps, to incorporate the heterogeneity of glacial features and environments. This multisource remote sensing dataset includes 10 spectral bands—Blue, Green, Red, Near-Infrared, Shortwave Infrared (SWIR1 & SWIR2), Normalized Difference Rock Index (NDRI), Slope, Elevation, and Velocity—providing critical information to distinguish glacier debris. To evaluate the efficacy of deep learning models for mapping glacier debris, we compare Prithvi Geo-Foundational Model (GFM) combined with multiple decoders, CNN-based models (UNet, Attention U-Net, and DeepLabv3+), a Vision Transformer-based model (TransNorm), and variant of the Prithvi GFM (i.e., UViT). Our results show Prithvi GFM with UperNet decoder outperformed all, achieving mIoU = 0.80 and F1-score = 0.91, surpassing DeepLabv3+ (0.71 mIoU), Attention U-Net (0.73), U-Net (0.72), TransNorm (0.71), and UViT (0.70). Our results demonstrate significant methodological advances in accurately mapping glacier termini, along with the identification of glacier snouts. Feature analysis identified the optimal band combination (B-G-NIR-SWIR-Slope-Elevation) for debris mapping. The GSDD dataset enables direct comparison, development, and evaluation of deep learning models, supporting advancement in fast and reliable automated glacier mapping.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle