Snow-Covered Soil Temperature Retrieval in Canadian Arctic Permafrost Areas, Using a Land Surface Scheme Informed with Satellite Remote Sensing Data
Notice bibliographique
Résumé
High-latitude areas are very sensitive to global warming, which has significant impacts on soil temperatures and associated processes governing permafrost evolution. This study aims to improve first-layer soil temperature retrievals during winter. This key surface state variable is strongly affected by snow’s geophysical properties and their associated uncertainties (e.g., thermal conductivity) in land surface climate models. We used infrared MODIS land-surface temperatures (LST) and Advanced Microwave Scanning Radiometer for EOS (AMSR-E) brightness temperatures (Tb) at 10.7 and 18.7 GHz to constrain the Canadian Land Surface Scheme (CLASS), driven by meteorological reanalysis data and coupled with a simple radiative transfer model. The Tb polarization ratio (horizontal/vertical) at 10.7 GHz was selected to improve snowpack density, which is linked to the thermal conductivity representation in the model. Referencing meteorological station soil temperature measurements, we validated the approach at four different sites in the North American tundra over a period of up to 8 years. Results show that the proposed method improves simulations of the soil temperature under snow (Tg) by 64% when using remote sensing (RS) data to constrain the model, compared to model outputs without satellite data information. The root mean square error (RMSE) between measured and simulated Tg under the snow ranges from 1.8 to 3.5 K when using RS data. Improved temporal monitoring of the soil thermal state, along with changes in snow properties, will improve our understanding of the various processes governing soil biological, hydrological, and permafrost evolution.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».