MétaCan
Menu
Retour à la cohorte
Enregistrement W7115033563

Developing vegetation-based proxies for satellite detection of volcanic degassing

2025· dissertation· en· W7115033563 sur OpenAlexfundno aff

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2025
Typedissertation
Langueen
DomaineEngineering
ThématiqueSynthetic Aperture Radar (SAR) Applications and Techniques
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaU.S. Geological Survey
Mots-clésVolcanoSatelliteVolcanic GasesLavaVulcanian eruption
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Detecting changes in volcanic gas emissions is essential for forecasting eruptions.Carbon dioxide (CO 2 ) is among the most important gases for identifying early signs of volcanic activity, but it remains difficult to monitor effectively.Ground-based methods often lack the spatial and temporal resolution to detect subtle flux changes, while satellite observations are hindered by high atmospheric CO 2 backgrounds that obscure localized signals.To overcome this, we developed an alternative approach that uses satellite observations of vegetation health as a proxy for volcanic degassing.Volcanic gases such as CO 2 and SO 2 affect plant physiology in different and measurable ways, making vegetation a potentially sensitive and responsive living sensor of volcanic activity.We tested this method at a dynamic hydrothermal area in Yellowstone National Park by combining four decades of Landsat vegetation indices with isotopic analyses of tree rings.Vegetation responses captured in satellite imagery corresponded with tree-ring signals of CO 2 exposure, validating this approach and revealing a transition from cold to hot degassing that had not been previously documented.We then applied the method to Taal Volcano in the Philippines, where an eruption in 2020 was preceded by significant changes in degassing.Using high-resolution daily imagery from Planet Labs, we detected increases in vegetation health during periods of elevated CO 2 emissions and sharp declines during SO 2 spikes.These patterns were consistent with known physiological responses and aligned with other monitoring data.In some cases, vegetation changes revealed degassing events missed by other volcano monitoring methods.Together, these results demonstrate that satellite vegetation monitoring offers a scalable, indirect method for tracking volcanic degassing.This approach is effective across diverse ecological and volcanological settings and holds promise as a complementary tool for global volcano monitoring.iii Résumé Détecter les variations dans les émissions de gaz volcaniques est essentiel pour prévoir les éruptions.Le dioxyde de carbone (CO 2 ) figure parmi les gaz les plus importants pour identifier les premiers signes d'activité volcanique, mais il reste difficile à surveiller efficacement.Les méthodes au sol manquent souvent de la résolution spatiale et temporelle nécessaire pour détecter des variations subtiles de flux, tandis que le observations satellitaires sont limitées par les concentrations élevées de CO 2 atmosphérique qui masquent les signaux localisés.Pour surmonter ces obstacles, nous avons développé une approche alternative utilisant les observations satellitaires de la santé de la végétation comme indicateur indirect du dégazage volcanique.Les gaz volcaniques tels que le CO 2 et le SO 2 affectent la physiologie des plantes de manières différentes et mesurables, faisant de la végétation un capteur vivant potentiel de l'activité volcanique.Nous avons testé cette méthode dans une zone hydrothermale dynamique du parc national de Yellowstone en combinant quatre décennies d'indices de végétation Landsat avec des analyses isotopiques d'anneaux de croissance d'arbres.Les réponses de la végétation capturées dans les images satellites correspondaient aux signaux d'exposition au CO 2 observés dans les cernes des arbres, validant ainsi cette approche et révélant une transition du dégazage froid au dégazage chaud qui n'avait pas été documentée auparavant.Nous avons ensuite appliqué la méthode au volcan Taal aux Philippines, où une éruption en 2020 a été précédée de changements significatifs dans le dégazage.En utilisant des images haute résolution quotidiennes fournies par Planet Labs, nous avons détecté des augmentations de la santé de la végétation lors de périodes d'émissions élevées de CO 2 , ainsi que des baisses marquées lors des pics d'émissions de SO 2 .Ces tendances étaient cohérentes avec les réponses physiologiques connues et correspondaient aux données d'autres systèmes de surveillance.Dans certains cas, les changements de la végétation ont permis de révéler des événements de dégazage passés inaperçus par les méthodes classiques de surveillance volcanique.Ensemble, ces résultats démontrent que la surveillance satellitaire de la végétation offre une méthode indirecte, extensible et efficace pour suivre le dégazage volcanique.Cette approche s'avère efficace dans une variété de contextes écologiques et volcaniques, et constitue un outil complémentaire prometteur pour la surveillance volcanique à l'échelle mondiale.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,239
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetSynthetic Aperture Radar (SAR) Applications and TechniquesTravaux en français237 207