| Titre | Permafrost thaw sensitivity prediction using surficial geology, topography, and remote-sensing imagery: a data-driven neural network approach |
| |
| Auteur | Oldenborger, G A ;
Short, N; LeBlanc, A -M |
| Source | Canadian Journal of Earth Sciences 2022 p. 1-17, https://doi.org/10.1139/cjes-2021-0117  Accès ouvert |
| Image |  |
| Année | 2022 |
| Séries alt. | Ressources naturelles Canada, Contribution externe 20210439 |
| Éditeur | Éditions Sciences Canada |
| Document | publication en série |
| Lang. | anglais |
| DOI | https://doi.org/10.1139/cjes-2021-0117 |
| Media | papier; numérique; en ligne |
| Formats | pdf |
| Province | Nunavut |
| SNRC | 55K/16 |
| Lat/Long OENS | -92.5000 -92.0000 63.0000 62.7500 |
| Sujets | pergélisol; imagerie par satellite; topographie; télédétection; classifications des textures; Groupe de Rankin Inlet ; dégel du pergélisol; hydrogéologie; géologie générale |
| Illustrations | cartes de localisation; cartes géologiques généralisées; modèles altimétriques numériques; tableaux; photographies; diagrammes de distribution; graphiques |
| Programme | Géosciences de changements climatiques Pergélisols |
| Diffusé | 2022 02 23 |
| Résumé | La subsidence associée au dégel saisonnier ou à la dégradation du pergélisol a une incidence sur le paysage, l'hydrologie et la pérennité du pergélisol comme substrat d'ingénierie. Nous prédisons la
sensibilité au dégel du pergélisol par l'entremise d'une classification supervisée d'un ensemble de caractéristiques comprenant des variables géologiques, topographiques et multispectrales sur du pergélisol continu près de Rankin Inlet (Nunavut,
Canada). Nous établissons une classification de référence de la sensibilité au dégel en utilisant une catégorisation basée sur les processus de la subsidence saisonnière mesurée par interférométrie radar différentielle à synthèse d'ouverture, dans
laquelle les catégories de sensibilité au dégel reflètent les conditions de la glace de sol. La classification est réalisée à l'aide d'un réseau neuronal entraîné avec des données de référence dispersées et parcellaires. Pour les catégories de
sensibilité au dégel faible, intermédiaire, forte et très forte, l'exactitude de la classification généralisée est de 70,8 % pour 20,6 km2 de données d'entraînement dispersées. Dans tous les cas, les classes majoritaires de sensibilité au dégel
intermédiaire et faible sont prédites avec une plus grande exactitude et plus de certitude, alors que les classes minoritaires de sensibilité au dégel forte et très forte sont sousprédites. Les classes minoritaires peuvent être combinées pour
améliorer l'exactitude au détriment du degré de discrimination, qui s'en trouve réduit. Le problème des deux classes peut être classé avec une exactitude de 81,8 %, ce qui permet donc, dans les faits, de distinguer sols stables et instables. La
méthode peut s'appliquer à d'autres régions de pergélisol du bas Arctique où la géologie et la topographie modulent la sensibilité au dégel. L'exactitude généralisée est toutefois réduite pour l'entraînement parcellaire, ce qui indique que les
échantillons de référence ne sont pas complètement représentatifs pour l'inférence au-delà de la parcelle et qu'un entraînement complet ou partiel avec des données locales serait pertinent pour tout déploiement du réseau dans d'autres régions.
|
| Sommaire | (Résumé en langage clair et simple, non publié)
L'affaissement du pergélisol par le dégel affecte le paysage, l'hydrologie et la durabilité du pergélisol en tant que substrat ingénierie. La
classification des images satellitaires permet de prédire à distance les conditions du pergélisol. Nous développons et formons un modèle d'apprentissage automatique pour classer le terrain de pergélisol en catégories de sensibilité au dégel faible,
moyenne, élevée et très élevée. Le modèle est formé par apprentissage supervisé de variables géologiques, topographiques et multispectrales dans le pergélisol continu près de Rankin Inlet, au Nunavut. Les classes majoritaires de sensibilité au dégel
faible et moyenne sont prédites avec une plus grande précision et plus de certitude, tandis que les classes minoritaires de sensibilité au dégel élevée et très élevée sont sous-estimées. Le problème à deux classes peut être classé avec une précision
supérieure à 81% en divisant le terrain en sol dégelé stable et instable. |
| GEOSCAN ID | 329289 |
|
|