Improving Permafrost Modeling by Assimilating Remotely Sensed Soil Moisture
Notice bibliographique
Résumé
Abstract Knowledge of soil moisture conditions is important for modeling soil temperatures, as soil moisture influences the thermal dynamics in multiple ways. However, in permafrost regions, soil moisture is highly heterogeneous and difficult to model. Satellite soil moisture data may fill this gap, but the degree to which they can improve permafrost modeling is unknown. To explore their added value for modeling soil temperatures, we assimilate fine‐scale satellite surface soil moisture into the CryoGrid‐3 permafrost model, which accounts for the soil moisture's influence on the soil thermal properties and the surface energy balance. At our study site in the Canadian Arctic, the assimilation improves the estimates of deeper (>10 cm) soil temperatures during summer but not consistently those of the near‐surface temperatures. The improvements in the deeper temperatures are strongly contingent on soil type: They are largest for porous organic soils (30%), smaller for thin organic soil covers (20%), and they essentially vanish for mineral soils (only synthetic data available). That the improvements are greatest over organic soils reflects the strong coupling between soil moisture and deeper temperatures. The coupling arises largely from the diminishing soil thermal conductivity with increasing desiccation thanks to which the deeper soil is kept cool. It is this association of dry organic soils being cool at depth that lets the assimilation revise the simulated soil temperatures toward the actually measured ones. In the future, the increasing availability of satellite soil moisture data holds promise for the operational monitoring of soil temperatures, hydrology, and biogeochemistry.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».