High variation in the surface extent of freshwater ponds creates dynamic Arctic tundra landscapes in the lowlands of Eastern Siberia
Notice bibliographique
Résumé
Abstract Greenhouse gas emissions from Arctic tundra ponds and permafrost thaw provide important positive feedbacks to global warming. However, a high landscape heterogeneity and small size of ponds make it challenging to assess trends in surface water extent and associated carbon and energy fluxes, especially in the understudied Eastern Siberian tundra. Here, we show that surface water extent in these landscapes can be highly dynamic, shaped by small-scale pond processes. Using a time-series of aerial imagery at 12 cm resolution spanning eight years (2014–2021), we classified surface water at three sites in Kytalyk National Park and traced all 465 ponds (i.e. patches of surface water) larger than 1 m2. The total surface water extent at the sites varied between 102%-124% relative to the time-series mean, without significant trends in contrast to previous reports. Individual pond area fluctuated by 52% on average, and two thirds of ponds were present for less than six years. One-quarter of ponds showed evidence for thermokarst or vegetation colonisation as drivers of change, based on our high-resolution surface elevation models. These findings highlight that tundra ponds in Siberia can be highly dynamic in nature and stresses the need for improved change detection of very small surface water bodies in remote sensing analyses to better model carbon and energy fluxes in the tundra biome.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».