High-resolution carbon flux upscaling in Arctic landscapes based on the example of Trail Valley Creek, Canada
Notice bibliographique
Résumé
Arctic regions play a critical role in the global carbon cycle, acting as both a sink and a source of carbon. However, it remains challenging to estimate methane (CH4) and carbon dioxide (CO2) fluxes across Arctic landscapes due to the sparsity of measurements and the complex interactions between environmental factors. Upscaling fluxes from local measurements to broader landscapes is challenging, especially in capturing the variability of land cover types and their unique carbon dynamics. Addressing this heterogeneity is critical to improving flux estimates and reducing uncertainties in Arctic carbon budgets.Our study domain (~6 km2), the Trail Valley Creek area (Northwest Territories, Canada) illustrates this challenge, featuring a mosaic of upland, shrub, and lichen tundras alongside heterogeneous wetlands, each with distinct moisture regimes and carbon flux contributions. Our study integrates diverse datasets to upscale carbon fluxes with statistical and machine learning models at high spatial resolution (10 m), ensuring that small-scale variations are preserved. We combine chamber measurements of CH₄ and CO₂ fluxes from 39 sites, with different temporal resolutions ranging from high-frequency half-hourly data to a few measurements per day, spanning the entire vegetation season, with soil temperature (from topsoil to 30 cm depth) and soil moisture data (at different depth down to 30 cm depth), remote sensing products such as Sentinel-2 imagery, UAV-derived vegetation height and classifications (1 m resolution), and DEM/DSM (10 cm resolution). Based on these remote sensing products we calculated vegetation and moisture indices (NDVI, NDWI, NDMI, TWI), which provide insight into seasonal variability, and the snow index (NDSI) highlights the timing of snowmelt and its influence on fluxes. This approach allows us to examine both the spatial heterogeneity of fluxes across different land cover types and their temporal dynamics in response to climate-driven changes in soil and vegetation conditions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».