Snow persistence lowers and delays peak NDVI, the vegetation index that underpins Arctic greening analyses
Notice bibliographique
Résumé
Abstract Satellite imagery is critical for understanding land-surface change in the rapidly warming Arctic. Since the 1980s, studies have found positive trends in the normalised difference vegetation index (NDVI) derived from satellite imagery over the Arctic—commonly referred to as ‘Arctic greening’ and assumed to represent increased vegetation productivity. However, greening analyses use satellite imagery with pixel sizes ranging from tens to hundreds of metres and do not account for the integration of abiotic phenomena such as snow within vegetation indices. Here, we use high-resolution drone data from one Arctic and one sub-Arctic site to show that fine-scale snow persistence within satellite pixels is associated with both reduced magnitude and delayed timing of annual peak NDVI, the base metric of Arctic greening analyses. We found higher snow persistence within Sentinel-2 pixels is associated with a lower magnitude and later peak NDVI, with a mean difference in NDVI of 0.1 and seven days between high and low snow persistence pixels. These effects were stronger in NASA HLSS30 data, representative of Landsat data commonly used in greening analyses. Our findings indicate that unaccounted changes in fine-scale snow persistence may contribute to Arctic spectral greening and browning trends through either biotic responses of vegetation to snow cover or abiotic integration of snow within the estimated peak NDVI. In order to improve our understanding of Arctic land-surface change, studies should integrate very-high-resolution data to estimate the dynamics of late-season snow within coarser satellite pixels.
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) | 0,001 | 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 ».