Combining UAV LiDAR and Terrestrial Laser Scanning to investigate the impact of shrub expansion on local-scale Arctic snowpack distribution.
Notice bibliographique
Résumé
Climate warming induces shrub expansion on Arctic herb tundra, with effects on snow trapping and hence snow depth. We have used UAV-borne LiDAR and Terrestrial Laser Scanning (TLS) to investigate the impact of shrub height on snow depth at two close sites near Umiujaq, eastern Canadian low Arctic, where dwarf birch and willow shrubs are expanding on lichen tundra. The first site features lichen and high shrubs (50-100 cm), a moderate relief, and a snowpack averaging 95 cm in spring. The second site consists of lichen and low shrubs (20-60 cm), more pronounced topography, and a deeper snowpack (101 cm). Digital Terrain and Surface Models were acquired in early fall to obtain topography and vegetation height. A Digital Surface Model obtained in spring produced snow depth maps at peak depth. TLS over a 400 m2 area produced time series of snow depth throughout the winter. TLS data show preferential snow accumulation in shrubs, but also preferential melting in shrubs during fall warm spells and in spring. UAV data at the first site show a strong correlation between vegetation height and snow depth, even after snow depth has exceeded vegetation height. This correlation is not observed at the second site, probably because snow depth there is much greater than vegetation height. These data show the need to reconsider some paradigms on snow-vegetation interactions, for example that vegetation does not affect snow accumulation beyond its height.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».