Permafrost thaw sensitivity prediction using surficial geology, topography, and remote-sensing imagery: a data-driven neural network approach

Abstract

Seasonal or degradational thaw subsidence of permafrost terrain affects the landscape, hydrology, and sustainability of permafrost as an engineering substrate. We perform permafrost thaw sensitivity prediction via supervised classification of a feature set consisting of geological, topographic, and multispectral variables over continuous permafrost near Rankin Inlet, Nunavut, Canada. We build a reference classification of thaw sensitivity using process-based categorization of seasonal subsidence as measured from differential interferometric synthetic aperture radar whereby categories of thaw sensitivity are reflective of ground ice conditions. Classification is performed using a neural network trained on both dispersed and parcel-based reference data. For Low, Medium, High, and Very High thaw sensitivity categories, generalized classification accuracy is 70.8% for 20.6 km2 of dispersed training data. In all cases, the majority classes of Low and Medium thaw sensitivity are predicted with higher accuracy and more certainty, while the minority classes of High and Very High thaw sensitivity are underpredicted. Minority classes can be combined to improve accuracy at the expense of a reduced level of discrimination. The two-class problem can be classified with an accuracy of 81.8%, thereby effectively distinguishing between stable and unstable ground. The method is applicable to similar Low-Arctic permafrost terrain with geological and topographical controls on thaw sensitivity. However, generalized accuracy is reduced for parcel-based training, indicating that reference samples are not totally representative for inference beyond the parcel, and any deployment of the network to other geographical regions would benefit from full or partial retraining with local data.

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 sous-prédites. 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. [Traduit par la Rédaction]

留言 (0)

沒有登入
gif