Vegetation shadow casts impact remotely sensed reflectance from permafrost thaw ponds in the subarctic forest-tundra zone
Notice bibliographique
Résumé
Abstract Thermokarst lakes and ponds are a common landscape feature resulting from permafrost thaw, but their intense greenhouse gas emissions are still poorly constrained as a feedback mechanism for global warming because of their diversity, abundance, and remoteness. Thermokarst waterbodies may be small and optically diverse, posing specific challenges for optical remote sensing regarding detection, classification, and monitoring. This is especially relevant when accounting for external factors that affect water reflectance, such as scattering and vegetation shadow casts. In this study, we evaluated the effects of shadowing across optically diverse waterbodies located in the forest–tundra zone of northern Canada. We used ultra-high spatial resolution multispectral data and digital surface models obtained from unmanned aerial systems for modeling and analyzing shadow effects on water reflectance at Earth Observation satellite overpass time. Our results show that shadowing causes variations in reflectance, reducing the usable area of remotely sensed pixels for waterbody analysis in small lakes and ponds. The effects were greater on brighter and turbid inorganic thermokarst lakes embedded in post-glacial silt–clay marine deposits and littoral sands, where the mean reflectance decrease was from -51 to -70%, depending on the wavelength. These effects were also dependent on lake shape and vegetation height and were amplified in the cold season due to low solar elevations. Remote sensing will increasingly play a key role in assessing thermokarst lake responses and feedbacks to global change, and this study shows the magnitude and sources of optical variations caused by shading that need to be considered in future analyses.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».