格陵兰冰盖冰面湖演化的时间序列分类
机器学习
2025-03-21 v2
摘要
格陵兰冰盖已成为全球海平面上升的重要贡献者，这主要是由于融水径流的增加。夏季在冰盖表面形成的冰面湖会影响冰盖动力学和质量损失；因此，更好地了解这些湖泊的季节性演化和动力学是一项重要任务。本研究提出了一种计算高效的时间序列分类方法，该方法使用重构相空间的高斯混合模型，根据季节性演化来识别冰面湖：1）在融化季节结束时重新冻结的湖泊，2）在融化季节期间排干的湖泊，以及3）被掩埋、在冰面下几米处保持液态绝缘的湖泊。我们的方法使用了哨兵1号和哨兵2号卫星的时间序列数据，它们分别利用微波和可见光辐射。在格陵兰冰盖范围的数据集上评估，每类仅使用一个代表性样本训练的RPS-GMM模型，仅使用哨兵1号数据时达到85.46%的准确率，使用哨兵1号和哨兵2号组合数据时达到89.70%的准确率。这一性能显著超过了需要大量训练数据的现有机器学习和深度学习模型。结果证明了RPS-GMM模型在仅需最少训练数据的情况下捕捉冰面湖复杂时间动态的鲁棒性。
引用
@article{arxiv.2410.05638,
title = {Time Series Classification of Supraglacial Lakes Evolution over Greenland Ice Sheet},
author = {Emam Hossain and Md Osman Gani and Devon Dunmire and Aneesh Subramanian and Hammad Younas},
journal= {arXiv preprint arXiv:2410.05638},
year = {2025}
}
备注
Published in 2024 International Conference on Machine Learning and Applications (ICMLA). [DOI: https://doi.org/10.1109/ICMLA61862.2024.00072]