A repository of measured soil freezing characteristic curves: 1921 to 2021
Notice bibliographique
Résumé
Abstract. Soil freeze–thaw processes play a fundamental role in the hydrology, geomorphology, ecology, thermodynamics, and soil chemistry of cold regions' landscapes. In understanding these processes, the temperature of the soil is used as a proxy to represent the partitioning of soil ice and water content via a soil freezing characteristic curve (SFCC). This mathematical construct relates the soil ice content to a specific temperature for a particular soil. SFCCs depend on many factors, including soil properties (e.g., porosity and composition), soil pore water pressure, dissolved salts, (hysteresis in) freezing/thawing point depression, and the degree of saturation, all of which can be site-specific and time-varying characteristics. SFCCs have been measured using various methods for diverse soils since 1921, but, to date, these data have not been broadly compared. This is in part because they had not previously been compiled in a single dataset. The dataset presented in this publication includes SFCC data digitized or received from authors, and it includes both historic and modern studies. The data are stored in an open-source repository, and an R package is available to facilitate their use. Aggregating the data has pointed out some data gaps, namely that there are few studies on coarse soils and comparably few in situ measurements of SFCCs in mountainous environments. It is hoped that this dataset (https://doi.org/10.5281/zenodo.5592825; Devoie et al., 2022a) will aid in the development of SFCC theory and improve SFCC approximations in soil freeze–thaw modelling activities.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».