Effet de la végétation sur la variabilité de la profondeur de dégel à petite échelle dans un paysage de tourbières en forêt boréale dans les Territoires du Nord-Ouest
Bibliographic record
Abstract
Afin de mieux comprendre les effets des changements climatiques sur le pergélisol, il s’avère essentiel d’obtenir une meilleure connaissance des facteurs physiques et biologiques l’influençant. Même si plusieurs études font référence à l’influence de la végétation sur le pergélisol à grande échelle, l’effet de la végétation sur la profondeur du front de dégel du pergélisol à l’échelle de mètres, tel qu’exploré ici, est peu connu. L’étude s’est effectuée dans une forêt boréale tourbeuse dans la zone à pergélisol discontinu au sud des Territoires du Nord-Ouest (N61°18’, O121°18’). Nous avons comparé la profondeur de dégel aux mesures du couvert végétal suivantes : densité arborescente, couvert arbustif, indice de surface foliaire et présence de cryptogames (lichens et bryophytes). Nous avons trouvé qu’une plus grande densité arborescente menait à une moins grande profondeur de dégel tandis que le couvert arbustif (<50cm de hauteur) n’avait aucune influence. De plus, la profondeur de dégel dépendait de l’espèce des cryptogames et des microformes. Cette recherche quantifie l’influence de la végétation par strate sur la dégradation du pergélisol. Ultimement, les résultats pourront être pris en considération dans la mise en place des modèles, afin de valider les paramètres concernant la végétation, la dégradation du pergélisol et le flux du carbone.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".