Site-Level Permafrost Simulation in Remote Areas Driven by Atmospheric Re-Analyses: A Case Study from the Northwest Territories
Notice bibliographique
Résumé
Simulating permafrost is impeded by the lack of meteorological forcing datasets at most locations of interest. Here, we present the first application of GlobSim, a new Python toolkit that extracts site-level meteorological time series from global atmospheric re-analyses and makes them easily available for forcing permafrost simulations using land-surface models. The software downloads, interpolates, and heuristically scales data to point locations. In this example, we use the model GEOtop and four re-analyses datasets to simulate permafrost in five terrain types that characterize the variability of tundra environments in the Northwest Territories. We evaluated model results using two years of air- and ground-temperature observations from sites near Lac de Gras. The range of observed mean annual ground surface temperatures during the two years was 6.0°C. Results show that the reanalysis data can support permafrost simulations quite well. Compared to individual re-analyses, the ensemble mean improved results for all terrain types. Using the ensemble mean reduced the root-mean-square error by 0.07–1.78°C for mean annual air temperature, 0.10–0.34°C for daily ground surface temperature, 0.11–0.31°C for mean annual ground surface temperature, and 0.08–1.03°C for surface offset. These results demonstrate that reanalysis-driven ensemble simulation is a promising tool for simulating permafrost in remote locations.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».