Modeling Wildfire-Induced Permafrost Deformation in an Alaskan Boreal Forest Using InSAR Observations
Notice bibliographique
Résumé
The discontinuous permafrost zone is one of the world’s most sensitive areas to climate change. Alaskan boreal forest is underlain by discontinuous permafrost, and wildfires are one of the most influential agents negatively impacting the condition of permafrost in the arctic region. Using interferometric synthetic aperture radar (InSAR) of Advanced Land Observation Satellite (ALOS) Phased Array type L-band Synthetic Aperture Radar (PALSAR) images, we mapped extensive permafrost degradation over interior Alaskan boreal forest in Yukon Flats, induced by the 2009 Big Creek wildfire. Our analyses showed that fire-induced permafrost degradation in the second post-fire thawing season contributed up to 20 cm of ground surface subsidence. We generated post-fire deformation time series and introduced a model that exploited the deformation time series to estimate fire-induced permafrost degradation and changes in active layer thickness. The model showed a wildfire-induced increase of up to 80 cm in active layer thickness in the second post-fire year due to pore-ice permafrost thawing. The model also showed up to 15 cm of permafrost degradation due to excess-ice thawing with little or no increase in active layer thickness. The uncertainties of the estimated change in active layer thickness and the thickness of thawed excess ice permafrost are 27.77 and 1.50 cm, respectively. Our results demonstrate that InSAR-derived deformation measurements along with physics models are capable of quantifying fire-induced permafrost degradation in Alaskan boreal forests underlain by discontinuous permafrost. Our results also have illustrated that fire-induced increase of active layer thickness and excess ice thawing contributed to ground surface subsidence.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».