Spatial variability and landscape controls of near‐surface permafrost within the Alaskan Yukon River Basin
Notice bibliographique
Résumé
Abstract The distribution of permafrost is important to understand because of permafrost's influence on high‐latitude ecosystem structure and functions. Moreover, near‐surface (defined here as within 1 m of the Earth's surface) permafrost is particularly susceptible to a warming climate and is generally poorly mapped at regional scales. Subsequently, our objectives were to (1) develop the first‐known binary and probabilistic maps of near‐surface permafrost distributions at a 30 m resolution in the Alaskan Yukon River Basin by employing decision tree models, field measurements, and remotely sensed and mapped biophysical data; (2) evaluate the relative contribution of 39 biophysical variables used in the models; and (3) assess the landscape‐scale factors controlling spatial variations in permafrost extent. Areas estimated to be present and absent of near‐surface permafrost occupy approximately 46% and 45% of the Alaskan Yukon River Basin, respectively; masked areas (e.g., water and developed) account for the remaining 9% of the landscape. Strong predictors of near‐surface permafrost include climatic indices, land cover, topography, and Landsat 7 Enhanced Thematic Mapper Plus spectral information. Our quantitative modeling approach enabled us to generate regional near‐surface permafrost maps and provide essential information for resource managers and modelers to better understand near‐surface permafrost distribution and how it relates to environmental factors and conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».