Multi-scale mapping and monitoring of changing permafrost conditions in a Canadian high Arctic Polar desert
Notice bibliographique
Résumé
Étant donné que le réchauffement est deux fois plus élevé dans l’Arctique qu’ailleurs sur la planète, et que les modèles climatiques prédisent un réchauffement continu, les paysages de pergélisol sont à risque de dégel et de thermokarst (tassements et affaissements de terrain, fonte de coins de glace, et de mares de thermokarst). Il est donc impératif de surveiller ces paysages arctiques. Malheureusement, l’immensité et l’inaccessibilité des sites arctiques font en sorte que la collection de données à haute résolution spatiale et spectrale est difficile. Pour évaluer les conditions de sols de manière compréhensive dans de telles conditions, nous proposons un cadre de méthodologie de télédétection, en combinant l’imagerie multispectrale de moyenne résolution (Landsat 7 et 8) avec l’imagerie à haute résolution RGB et thermique provenant de véhicule aérien sans pilote (UAV) et des observations sur le terrain. Cette combinaison de données permet de valider les images à basse résolution aves les images à haute résolution prisent avec les UAV, tout en donnant des indications des changements et de thermokarsts futur potentiels. Ce cadre a été utilisé pour caractériser les conditions actuelles et antérieures du pergélisol dans les basses-terres du bras-de-mer d’Eureka, sur l’ile d’Ellesmere au Nunavut. L’imagerie satellite de Landsat 7 et 8 a été utilisée pour calculer des indices de végétation et d’humidité de sol tels que NDVI, SAVI, NDMI et les indices de Tasseled Cap pour la verdure, l’humidité, et la luminosité sur une échelle régionale pendant 20 ans. Une série de 117 images couvrant 20 ans de 2000 à 2019 a été créée et analysée avec Google Earth Engine. Les indices montrent que les basses-terres du bras-de-mer d’Eureka ont connu des tendances positives de verdure et d’humidité. Les images UAV RGB et thermiques ont été utilisées pour créer des modèles d’élévation numérique (DEM) à haute résolution (0.39-0.55 cm par pixel), en utilisant le logiciel de « Structure from Motion » Pix4D. Les DEMs ont été utilisés pour comparer la morphologie d’une zone antérieurement perturbée à partir d’études topographiques faites en 1973 et en 1998. Les résultats démontrent une redistribution de matériel et une restauration continue de la perturbation. Finalement, les images thermiques montrent qu’en moyenne, les creux des coins de glace sont 2.6 ˚C plus froids que les hauts des polygones. L’utilisation d’images thermiques démontre un gradient thermique avec plus de précision et de nuances que les relevés de températures ponctuels couramment utilisés. En général, la combinaison d’imagerie multispectrale de moyenne résolution sur une grande étendue de terrain, avec l’imagerie de haute résolution sur une petite étendue de terrain donne une évaluation plus complète des conditions de pergélisol. Ce cadre de recherche est donc suggéré pour la surveillance et la cartographie des paysages de pergélisol. Des modifications aux UAVs sont nécessaires pour éliminer les problèmes associés à la boussole en latitude élevée, mais malgré ces obstacles, les résultats sont prometteurs. Ce cadre de recherche permet de combler l’écart entre a collection de données sur le terrain, qui est généralement de très haute qualité, mais limité en portée, et la télédétection satellite, qui couvre de grandes étendues mais avec une précision limitée
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».