Umeå universitets logga

Rising Arctic temperatures are making polygonal tundra increasingly vulnerable, primarily due to high ground ice contents. These landscapes form through soil-hydrology interactions, leading to ice wedge formation and degradation. Understanding the future of ice wedge polygon (IWP) landscapes requires detailed land cover classifications, as soil properties vary significantly across IWP sub-features like rims and centers. Existing classifications often distinguish between high-centered (HCP) and low-centered (LCP) polygons but fail to capture finer sub-feature distributions. This study provides high-resolution land cover datasets for two IWP sites on the Canadian Beaufort coast using WorldView-3 imagery. Ptarmigan Bay features well-defined landforms, while Komakuk Beach exhibits greater permafrost degradation. We compare two land cover-mapping approaches: object-based image analysis (OBIA) with segmentation and random forest classification, and a deep learning U-net model. Results show that the OBIA-random forest method performed better, and substantial differences in the landform type distribution between study areas and methods exist. Both methods identify 60% of HCP centers at Ptarmigan Bay and 50% at Komakuk Beach, but mapped IWP sub-feature proportions (HCP troughs, LCP centers, LCP rims) vary across areas and methods, reflecting classification uncertainties. Furthermore, the transferability of models between regions is constrained when there are pronounced differences in degradation of landforms.

La hausse des températures arctiques rend la toundra polygonale graduellement plusvulnérable, principalement en raison de la forte teneur en glace à la surface du sol. Cespaysages se forment par le biais d’interactions entre le sol et l’hydrologie, entraînant laformation et la dégradation de coins de glace. Comprendre l’évolution des paysages depolygones à coins de glace (PCG) nécessite des classifications détaillées de l’occupationdu sol, car les propriétés du sol varient considérablement selon les sousstructures desPCG, comme les bordures et les centres. Les classifications existantes font souvent ladistinction entre les polygones à centre élevé (PCE) et les polygones à centre bas (PCB),mais ne parviennent pas à saisir les distributions plus fines des sous-structures. Cetteétude utilise des ensembles de données d’occupation du sol fine résolution spatiale pour deux sites de PCG sur la côte canadienne de la mer de Beaufort à l’aide d’images WorldView-3. La baie de Ptarmigan présente des formes de relief bien définies, tandis que la plage de Komakuk présente une plus grande dégradation du pergélisol. Nous comparons deux approches d’analyse d’images pour cartographier l’occupation du sol : (1) l’approche orientée objet (OBIA : Object-based Image Analysis) avec segmentation et classification par la technique statistique random forest, et (2) l’approche par un modèle U-Net d’apprentissage profond. Les résultats montrent que la méthode OBIA-random forest est plus performante, alors que des différences significatives existent dans la distribution des types de relief entre les zones d’étude et les méthodes. Les deux méthodes identifient 60 % des centres PCE à Ptarmigan Bay et 50 % à Komakuk Beach, mais les proportions des sous-éléments PCG cartographiés (creux PCE, centres PCB, bordures PCB) varient selon les zones et les méthodes, reflétant les incertitudes de classification. De plus, la transférabilité des modèles entre les régions est limitée en cas de différences marquées dans la dégradation des reliefs.