MétaCan
Menu
Retour à la cohorte
Enregistrement W3156575611 · doi:10.1016/j.accre.2021.03.014

Permafrost dynamics and their hydrologic impacts over the Russian Arctic drainage basin

2021· article· en· W3156575611 sur OpenAlexaff
Kang Wang, Tingjun Zhang, Daqing Yang

Notice bibliographique

RevueAdvances in Climate Change Research · 2021
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesDivision of Earth SciencesNational Key Research and Development Program of ChinaMinistry of Science and Technology of the People's Republic of ChinaChinese Academy of SciencesNational Science Foundation
Mots-clésPermafrostSurface runoffDrainage basinArcticActive layerStructural basinHydrology (agriculture)Environmental scienceDrainagePrecipitationGeologyOceanographyGeomorphologyLayer (electronics)EcologyGeography

Résumé

récupéré en direct d'OpenAlex

Permafrost is an important component in hydrological processes because changes in runoff over the Arctic drainage basin cannot be well explained by changes in precipitation-related variables. However, current understanding of the influences of permafrost on hydrological dynamics is insufficient. This study investigated historical variations in permafrost conditions and their potential hydrologic effects over the Russian Arctic drainage basin. The results show that soil temperature (at 0.40 m below surface) has increased about 1.4 °C over the Ob, 1.5 °C over the Yenisei, and 1.8 °C over the Lena River basin from 1936 through 2013, possibly resulted in a significant thawing of permafrost. Rapid active layer changes have occurred since the 1970s. The volume of the active layer increased by 28, 142, and 228 km3 over the Ob, Yenisei, and Lena basins, respectively, since the 1970s. Melting ground ice caused by deepening active layer may be a limited contribution to annual runoff. Runoff during freeze season (October–April) showed significant positive correlations (p < 0.05) to active layer thickness in the Yenisei and Lena basins while negative correlation (p > 0.05) in the Ob basin. These results imply that, in basins with high permafrost coverage, a deeper active layer increased soil water storage capacity and perhaps contribute to an increase in winter runoff.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,191
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,091
Tête enseignante GPT0,356
Écart entre enseignants0,265 · 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 tête enseignante, pas un consensus.

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

Citations46
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Climate Change ResearchMême sujetClimate change and permafrostTravaux en français237 207