MétaCan
Menu
Retour à la cohorte
Enregistrement W2803224699 · doi:10.1139/as-2017-0047

Methane and carbon dioxide emissions from thermokarst lakes on mineral soils

2018· article· en· W2803224699 sur OpenAlexaffvenueabout
Alex Matveev, Isabelle Laurion, Warwick F. Vincent

Notice bibliographique

RevueArctic Science · 2018
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensInstitut National de la Recherche ScientifiqueCenter for Northern Studies
Organismes subventionnairesnon disponible
Mots-clésThermokarstPermafrostSubarctic climateMethaneCarbon dioxideSoil waterEnvironmental scienceGreenhouse gasEnvironmental chemistryAtmosphere (unit)Hydrology (agriculture)Atmospheric sciencesSoil scienceGeologyChemistryOceanography

Résumé

récupéré en direct d'OpenAlex

Thermokarst lakes are known to emit methane (CH4) and carbon dioxide (CO2), but little attention has been given to those formed from the thawing and collapse of lithalsas, ice-rich mineral soil mounds that occur in permafrost landscapes. The present study was undertaken to assess greenhouse gas stocks and fluxes in eight lithalsa lakes across a 200 km gradient of permafrost degradation in subarctic Québec. The northernmost lakes varied in their surface-water CO2 content from below to above saturation, but the southern lakes in this gradient had much higher surface concentrations that were well above air-equilibrium. Surface-water CH4 concentrations were at least an order of magnitude above air-equilibrium values at all sites, and the diffusive fluxes of both gases increased from north to south. Methane oxidation in the surface waters from a northern lake was only 10% of the emission rate, but at the southern end it was around 60% of the efflux to the atmosphere, indicating that methanotrophy can play a substantive role in reducing net emissions. Overall, our observations show that lithalsa lakes can begin emitting CH4 and CO2 soon after they form, with effluxes of both gases that persist and increase as the permafrost continues to warm and erode.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,729
Score d'incertitude au seuil0,545

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,263
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueArctic ScienceMême sujetClimate change and permafrostTravaux en français237 207