Continental-scale drivers of lake drainage in permafrost regions
Notice bibliographique
Résumé
Lakes are ubiquitous with high-latitude ecosystems, covering up to 60 percent of the land surface in some regions. Due to their influence on an array of key biogeophysical processes, the recent decline in lake area (via gradual and abrupt) observed across permafrost ecosystems may hold significant implications for shifting carbon and energy dynamics. Since lakes are often highly dynamic, understanding the main drivers of lake area change may ultimately enable the prediction of lake persistence in a warmer climate; key to anticipating future carbon-climate feedbacks from Arctic ecosystems. Here we conducted a data-driven analysis of >600k lakes across four continental-scale transects (Alaska, E Canada, W Siberia, E Siberia), combining remote sensing-derived lake shape parameters and spatial dynamics with other ecosystem datasets, such as ground temperatures, climate, elevation/geomorphology, and permafrost landscape parameters. We grouped our lake-change dataset into non-drained, partially and completely drained lakes (25-75 %, >75% loss) and used the RandomForest Feature Importance to calculate the relative importance of each parameter. Furthermore we predicted the probability of lake drainage under current environmental conditions and changing permafrost temperatures. Initial results suggest a strong importance of ground temperatures, lake shape, and local geomorphology on lake drainage. Spatially coarser datasets of permafrost and thermokarst properties did not reveal correlations with the result. Our drainage prediction results show distinct spatial patterns, which are matching regional lake drainage patterns. Our model estimated ground temperature as one of the main impact factors, with an increased drainage likelihood in permafrost regions from -5 to 0 °C. Going forward, we will further test for short term influences, such as extreme weather events and wildfire on widespread lake drainage. As this analysis is purely data-driven, a comparison or combination with physics-based models and predictions will help to better validate our analysis.
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) | 0,000 | 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 | 0,000 |
| 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 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 ».