Response of snow albedo to experimental additions of bushfire aerosols and algae
Notice bibliographique
Résumé
<!--!introduction!--><b></b> The exposure of New Zealand’s snow and ice fields to significant inputs of aerosols from Australian bushfires makes NZ an ideal site to study albedo's physical and biological controls. Under projected scenarios of increased frequency and severity of Australian droughts and bushfires, snow tainted by Australian aerosols will become increasingly common in NZ. Likewise, snow/ice algae are expected to respond to climate warming by increasing abundance, biomass, and distribution. Because the bushfire season coincides with the melt period, when snow algae undertake vegetative growth with the availability of liquid water, establishing the effect of bushfire aerosols and algae, and their interactions, on the melting of glacial systems is urgently needed. We present albedo measurements from two controlled field experiments. The experiments at Tasman Saddle used treatments applied to plots with a full factorial experimental design to determine the effects of aerosols on albedo and the resulting snow melt. The experiment involved adding dry aerosols at five treatment levels: 0, 12.5%, 25%, 50%, and 100% of the maximum deposited 2019/20 dust concentrations. At Canyon Creek, snow algae sourced from a nearby site was applied as an additional treatment at five levels. The albedo effect of the treatments was measured with a scanning spectroradiometer. We determined snow melt at each plot using small-scale DEMs before and after the dust/algae was applied and measured physical snow properties. This project will use drones and remote sensing to quantify the effects of aerosol deposition and algal growth on glacier mass balance at the catchment scale.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».