Pan-Arctic Exposure of Buildings to Permafrost Degradation Is Higher than Previously Estimated
Notice bibliographique
Résumé
Permafrost degradation linked to rapidly rising air temperatures across the Arctic drives geologic hazards, such as weakened ground bearing capacity and differential ground subsidence. This threatens to disrupt the lives of millions of people living in the Arctic by damaging infrastructure needed to sustain over 1000 high-latitude communities on permafrost. Publicly-available geospatial data, such as OpenStreetMap, used to estimate exposure of infrastructure to hazardous permafrost degradation is limited in geographic coverage across the pan-Arctic. This has led to inaccuracies in the estimated spatial distribution of risk. Using a deep learning model trained to detect buildings from sub-meter resolution Maxar satellite imagery of Arctic communities, we mapped a building area of 52 million m 2 (454,947 individual buildings) missing from the OpenStreetMap dataset, expanding the mapped area of buildings by 22% at the pan-Arctic scale. Building area was expanded by 45% in Alaska, 23% in Russia, and 13% in Canada. The highest total area of new buildings was mapped in Russia at 42 million m 2 (384,850 buildings). Combining OpenStreetMap with this newly mapped building area suggests that 64% and 52% more pan-Arctic building area is exposed to highly-hazardous permafrost degradation by 2041-2060 under the RCP4.5 and RCP8.5 scenarios, respectively.
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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».