Quantifying DOC and Its Controlling Factors in Major Arctic Rivers during Ice-Free Conditions using Sentinel-2 Data
Notice bibliographique
Résumé
The six largest Arctic rivers (Yenisey, Lena, Ob’, Kolyma, Yukon, and Mackenzie) drain the organic-rich Arctic watersheds and serve as important pools in the global carbon cycle. Satellite remote sensing data are considered to be a necessary supplement to the ground-based monitoring of riverine organic matter circulation, especially for the ice-free periods in high-latitudes. In this study, we propose a remote sensing retrieval algorithm to obtain the chromophoric dissolved organic matter (CDOM) levels of the six largest Arctic rivers using Sentinel-2 images from 2016 to 2018. These CDOM results are converted to dissolved organic carbon (DOC) concentrations using the strong relationship (R2 = 0.89) between the field measurements of these two water constituents. The temporal-spatial distributions of the DOC in the six largest Arctic rivers during ice-free conditions are depicted. The performance of the retrieval algorithm verifies the capacity of using Sentinel-2 data to monitor riverine DOC variations due to its improved spatial resolution, better band placement, and increased observation frequency. River discharge, watershed slopes, human activities, and land use/land cover change drove much of the variation in the satellite-derived DOC. The seasonality, geography, and scale would affect the correlation between DOC concentration and these influence factors. Our results could improve the ability to monitor DOC fluxes in Arctic rivers and advance our understanding of the Earth’s carbon cycle.
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 | 0,000 |
| 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 ».