Determining the terrain characteristics related to the surface expression of subsurface water pressurization in permafrost landscapes using susceptibility modelling
Notice bibliographique
Résumé
Abstract. Warming of the Arctic in recent years has led to changes in the active layer and uppermost permafrost. In particular, thick active layer formation results in more frequent thaw of the ice-rich transient layer. This addition of moisture, as well as infiltration from late season precipitation, results in high pore-water pressures (PWPs) at the base of the active layer and can potentially result in landscape degradation. To predict areas that have the potential for subsurface pressurization, we use susceptibility maps generated using a generalized additive model (GAM). As model response variables, we used active layer detachments (ALDs) and mud ejections (MEs), both formed by high PWP conditions at the Cape Bounty Arctic Watershed Observatory, Melville Island, Canada. As explanatory variables, we used the terrain characteristics elevation, slope, distance to water, topographic position index (TPI), potential incoming solar radiation (PISR), distance to water, normalized difference vegetation index (NDVI; ME model only), geology, and topographic wetness index (TWI). ALDs and MEs were accurately modelled in terms of susceptibility to disturbance across the study area. The susceptibility models demonstrate that ALDs are most probable on hill slopes with gradual to steep slopes and relatively low PISR, whereas MEs are associated with higher elevation areas, lower slope angles, and areas relatively far from water. Based on these results, this method identifies areas that may be sensitive to high PWPs and helps improve our understanding of geomorphic sensitivity to permafrost degradation.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».