Multi-scale mapping and monitoring of changing permafrost conditions in a Canadian high Arctic Polar desert
Bibliographic record
Abstract
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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".