The spatial and temporal influence of infrastructure and road dust on seasonal snowmelt, vegetation productivity, and early season surface water cover in the Prudhoe Bay Oilfield
Notice bibliographique
Résumé
Increased industrial development in the Arctic has led to a rapid expansion of infrastructure in the region. Localized impacts of infrastructure on snow distribution, road dust, and snowmelt timing and duration feeds back into the coupled Arctic system causing a series of cascading effects that remain poorly understood. We quantify spatial and temporal patterns of snow-off dates in the Prudhoe Bay Oilfield, Alaska, using Sentinel-2 data. We derive the Normalized Difference Snow Index to quantify snow persistence in 2019–2020. The Normalized Difference Vegetation Index and Normalized Difference Water Index were used to show linkages of vegetation and surface hydrology, in relationship to patterns of snowmelt. Newly available infrastructure data were used to analyze snowmelt patterns in relation infrastructure. Results show a relationship between snowmelt and distance to infrastructure varying by use and traffic load, and orientation relative to the prevailing wind direction (up to 1 month difference in snow-free dates). Post-snowmelt surface water area showed a strong negative correlation (up to −0.927) with distance to infrastructure. Results from field observations indicate an impact of infrastructure on winter near-surface ground temperature and snow depth. This study highlights the impact of infrastructure on a large area beyond the direct human footprint and the interconnectedness between snow-off timing, vegetation, surface hydrology, and near-surface ground temperatures.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».