MétaCan
Menu
← Retour à la cohorte
Enregistrement W3190241539 · doi:10.1594/pangaea.925392

Physical properties and stable isotope composition of snow in the Canadian Arctic tundra and subarctic taiga (Spring-Summer 2018, 2019)

2020· dataset· en· W3190241539 sur OpenAlexaboutno aff
Simon Levasseur, Kristina A. Brown, Alexandre Langlois, Donald McLennan

Notice bibliographique

RevuePublishing Network for Geoscientific and Environmental Data (PANGAEA) (Alfred Wegener Institute for Polar and Marine Research) · 2020
Typedataset
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSubarctic climateTundraTaigaSpring (device)SnowArcticEnvironmental sciencePhysical geographySnowmeltComposition (language)BorealOceanographyClimatologyEcologyGeographyForestryGeologyMeteorologyBiology

Résumé

récupéré en direct d'OpenAlex

This data set describes snow physical and geochemical observations collected in the Canadian Arctic between March 2018 and June 2019. Snow samples were collected as part of the project entitled "Development of a multi-scale cryosphere monitoring network for the Kitikmeot region and Northwest territories using in-situ measurements, modeling and remote sensing" led by Dr. Alex Langlois, Université de Sherbrooke. Sampling was carried out at two primary locations in the Canadian sub-Arctic and Arctic: Wekweètì (NWT), located just south of tree line, and Greiner Lake Watershed (NU), situated well into Arctic tundra on Victoria Island (near Cambridge Bay, NU). Data are also included from Herschel Island (NWT) and Trail Valley Creek (NWT). Sampling was conducted primarily from spring into summer, with snow samples collected in Wekweètì over the month of March 2018 and Cambridge Bay over the months of April and July 2018, and April to June 2019. Trail Valley Creek was visited in winter, January 2019, whereas Herschel Island samples were collected in April and May 2019. Snow physical properties were measured following the methods outlined in Levasseur et al., (submitted). Briefly, snowpits were excavated along transects to conduct observations of snow stratigraphy, density, temperature, grain size, and grain type following Langlois et al., (2009). Density profiles were measured by extracting snow samples at 3 cm intervals using 192 cm3 and 100 cm3 density cutters. The samples were weighed using a Pesola light series scale (100 g) from which density was calculated. Temperature profiles were also measured at 3 cm intervals using a digital temperature probe (+/- 0.1°C). Snow Water Equivalent was also determined for some layers after Langlois et al., (2009). Snow geochemical properties were also determined following the methods outlined in Levasseur et al., (submitted). Briefly, snow was collected into 1 L HDPE plastic snow containers using a clean plastic trowel. Snow samples were melted at room and/or fridge temperature, with melt progression checked at regular intervals. Once melted, samples were filtered through 0.22 μm Sterivex-GV filters into Wheaton 4 mL Amber Vials with TFE-Lined Caps for the analysis of stable isotope composition (δ18O-H2O and δ2H-H2O). For samples collected in 2018, stable isotope analyses were conducted at the Environmental Chemistry Facility at Brown University (RI) using a Picarro L1102-i Isotopic Water Liquid Analyzer with a standard error of +/- 0.1 ‰ for δ18O-H2O and +/-1 ‰ for δ2H-H2O. For samples collected in 2019, stable isotope analyses were conducted at the University of Calgary using a Los Gatos Research Liquid Water Isotope Analyzer with a reported analytical precision of ± 0.2‰ for δ18O-H2O and ± 2‰ for δ2H-H2O.

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: Jeu de données · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,087

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
Bibliométrie0,0020,004
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0010,001
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 Opus0,086
Tête enseignante GPT0,255
Écart entre enseignants0,169 · 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
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePublishing Network for Geoscientific and Environmental Data (PANGAEA) (Alfred Wegener Institute for Polar and Marine Research)→Même sujetCryospheric studies and observations→Travaux en français237 207→