Using Machine Learning to Predict Inland Aquatic CO<sub>2</sub> and CH<sub>4</sub> Concentrations and the Effects of Wildfires in the Yukon‐Kuskokwim Delta, Alaska
Notice bibliographique
Résumé
Abstract Climate change is causing an intensification in tundra fires across the Arctic, including the unprecedented 2015 fires in the Yukon‐Kuskokwim (YK) Delta. The YK Delta contains extensive surface waters (∼33% cover) and significant quantities of organic carbon, much of which is stored in vulnerable permafrost. Inland aquatic ecosystems act as hot‐spots for landscape CO 2 and CH 4 emissions and likely represent a significant component of the Arctic carbon balance, yet aquatic fluxes of CO 2 and CH 4 are also some of the most uncertain. We measured dissolved CH 4 and CO 2 concentrations ( n = 364), in surface waters from different types of waterbodies during summers from 2016 to 2019. We used Sentinel‐2 multispectral imagery to classify landcover types and area burned in contributing watersheds. We develop a model using machine learning to assess how waterbody properties (size, shape, and landscape properties), environmental conditions (O 2 , temperature), and surface water chemistry (dissolved organic carbon composition, nutrient concentrations) help predict in situ observations of CH 4 and CO 2 concentrations across deltaic waterbodies. CO 2 concentrations were negatively related to waterbody size and positively related to waterbody edge effects. CH 4 concentrations were primarily related to organic matter quantity and composition. Waterbodies in burned watersheds appeared to be less carbon limited and had longer soil water residence times than in unburned watersheds. Our results illustrate the importance of small lakes for regional carbon emissions and demonstrate the need for a mechanistic understanding of the drivers of greenhouse gasses in small waterbodies.
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 ».