Temporal and Spatial Trends in Soil Moisture in Arctic Alaska
Notice bibliographique
Résumé
Previous research in the Arctic has demonstrated changes associated with a warming climate including shrub expansion northward, drying of lakes, increasing active layer depths, and decreasing ice and snow cover. With a warming climate, potential for permafrost thaw, increased evapotranspiration from shrubs, and drying lakes, there have likely been widespread changes in patterns of surface soil moisture across the Arctic landscape over the past 20 to 30 years. We investigated trends in soil moisture in Arctic Alaska using the two-decade long data record of ERS-1 and -2 synthetic aperture radar (SAR) satellite data and ground based measurements of precipitation and soil moisture. SAR data have long been known to be highly sensitive to changes in soil moisture condition, and the C-band SAR (~5.6 cm wavelength) of ERS-1 and 2 are particularly useful for monitoring moisture in the low biomass, open ecosystems of the tundra. Eight sites in Alaska, spanning low to high Arctic and coastal to interior tundra, have been used to develop methodologies and relationships between SAR backscatter and soil moisture in tundra ecosystems. Given the dearth of long-term, in-situ soil moisture data, methods have been investigated using surrogate soil moisture information derived from weather station data and the use of the Fire Weather Index (FWI) subsystem of the Canadian Forest Fire Danger Rating System. Previous SAR work in boreal regions has demonstrated high correlations between SAR backscatter at C-band and the drought code (DC) component of the FWI subsystem. DC is a measure of moisture in the deep organic soil layers of 10-20 cm. This paper will present temporal and spatial trends in soil moisture over the two-decade long observation period among the eight study sites. Differences in soil moisture mapping using SAR data between Arctic and boreal systems will be discussed. Recommendations for the use of ERS-1 and -2 data in longitudinal studies will also be highlighted given calibration and data processing issues encountered in this study.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».