MétaCan
Menu
← Retour à la cohorte

Caractérisation du manteau neigeux arctique, suivi climatique et télédétection micro-onde

2020· dissertation· W7148755448 sur OpenAlexaboutno aff
Céline Vargel

Notice bibliographique

Revuenon disponible
Typedissertation
Langue
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCrocusFire historyClementine (nuclear reactor)

Résumé

récupéré en direct d'OpenAlex

Les régions de hautes latitudes nord se réchauffent de façon plus intense que sur le reste du globe. Ce phénomène, appelé amplification arctique, est dû en partie à la diminution de l'étendue de glace de mer et de la couverture de neige. Par ses changements de pouvoirs réfléchissant et isolant, la neige, présente 9 mois de l'année, pourrait avoir un effet important sur l'augmentation des températures du sol. Le dégel du pergélisol à travers le carbone ainsi libéré serait susceptible d'avoir un impact important sur le climat futur de l'Arctique. Ce projet de recherche a pour objectif d'améliorer le suivi du couvert nival arctique et des températures du sol. À l'heure actuelle, les modèles détaillés d'évolution du manteau neigeux tels que le modèle Crocus ne parviennent pas à reproduire la physique particulière de la neige arctique ce qui conduit à des incertitudes importantes dans la modélisation des températures du sol. De nouvelles paramétrisations physiques ont été implémentées au sein du modèle Crocus pour améliorer la stratification verticale du manteau neigeux en introduisant les effets de la végétation (neige moins dense en profondeur) et les effets du vent (neige plus dense en surface), ainsi que pour modifier la conductivité thermique de la neige. Ces nouvelles paramétrisations permettent une meilleure représentation des températures du sol sous la neige, validée avec un large jeu de données en Alaska, dans l'Arctique canadien et en Sibérie. Les simulations ainsi réalisées à l'aide du modèle Crocus modifié, piloté par la réanalyse météorologique ERA-Interim sur les 39 dernières années (1979-2018), à l'échelle panarctique, montrent une augmentation significative de la densité de la neige au printemps ainsi que de l'humidité de la neige principalement au printemps et en automne, accompagnée d'une diminution significative de la durée d'enneigement. Ces effets cumulés à l'augmentation des températures de l'air entraînent une augmentation des températures du sol allant jusqu'à +0.89 K par décade pour le mois de juin. De façon à pouvoir améliorer le suivi de l'évolution spatiale et temporelle du couvert nival, l'utilisation de données d'observations satellitaires micro-onde est proposée. À partir de l'analyse d'un jeu de données unique de mesures radiométriques en surface associées à la caractérisation in-situ du manteau neigeux (119 snowpits avec des observations simultanées) en zone arctique et subarctique, une paramétrisation optimale du modèle de transfert radiatif SMRT a été définie. En utilisant une longueur de corrélation exponentielle ajustée comme paramètre de microstructure de la neige dans le modèle électromagnétique Improved Born Approximation (IBA), l'étude montre, par rapport aux autres configurations de modèles testées, de meilleurs résultats avec une erreur moyenne (RMSE) inférieure à 30% des observations pour la neige subarctique et 24% pour la neige arctique. Couplées à Crocus, les températures de brillance simulées sur l'ensemble de l'Arctique sont significativement meilleures avec Crocus modifié qu'avec Crocus standard (38 K d'amélioration de l'erreur en moyenne). Ces résultats ouvrent la voie à l'utilisation de l'assimilation des observations micro-onde satellitaires dans le modèle Crocus à grande échelle afin d'améliorer les simulations de densité de la neige arctique, paramètre clef du manteau neigeux influant sur l'évolution des températures du sol sous la neige.

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)0,000
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,131

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,032
Tête enseignante GPT0,271
Écart entre enseignants0,239 · 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'étudeObservationnel
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetClimate change and permafrost→Travaux en français237 207→