MétaCan
Menu
Retour à la cohorte
Enregistrement W2951253163 · doi:10.1029/2019gl082187

Climate Change Drives Widespread and Rapid Thermokarst Development in Very Cold Permafrost in the Canadian High Arctic

2019· article· en· W2951253163 sur OpenAlexaffabout
Louise Farquharson, V. E. Romanovsky, William Cable, Donald A. Walker, Steven V. Kokelj, Dmitry Nicolsky

Notice bibliographique

RevueGeophysical Research Letters · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensGovernment of Northwest Territories
Organismes subventionnairesNational Science Foundation of Sri Lanka
Mots-clésThermokarstPermafrostArcticEnvironmental scienceClimate changePhysical geographyVegetation (pathology)ClimatologyGlobal warmingGeologyAtmospheric sciencesOceanographyGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Climate warming in regions of ice‐rich permafrost can result in widespread thermokarst development, which reconfigures the landscape and damages infrastructure. We present multisite time series observations which couple ground temperature measurements with thermokarst development in a region of very cold permafrost. In the Canadian High Arctic between 2003 and 2016, a series of anomalously warm summers caused mean thawing indices to be 150–240% above the 1979–2000 normal resulting in up to 90 cm of subsidence over the 12‐year observation period. Our data illustrate that despite low mean annual ground temperatures, very cold permafrost (<−10 °C) with massive ground ice close to the surface is highly vulnerable to rapid permafrost degradation and thermokarst development. We suggest that this is due to little thermal buffering from soil organic layers and near‐surface vegetation, and the presence of near‐surface ground ice. Observed maximum thaw depths at our sites are already exceeding those projected to occur by 2090 under representative concentration pathway version 4.5.

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)0,001
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 enseignants0,020
Score d'incertitude au seuil0,079

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0000,001
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 Opus0,060
Tête enseignante GPT0,275
Écart entre enseignants0,215 · 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

Citations321
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetClimate change and permafrostTravaux en français237 207