MétaCan
Menu
Back to cohort
Record W2921221735

Morphometric, network and landscape predictors for carbon species in boreal lakes

2018· article· en· W2921221735 on OpenAlexaboutno aff
Julia Jakobsson

Bibliographic record

VenueArchipelago (Université du Québec à Montréal) · 2018
Typearticle
Languageen
FieldEarth and Planetary Sciences
TopicGeological Studies and Exploration
Canadian institutionsnot available
Fundersnot available
KeywordsForestryGeographyBiomeHumanitiesPhysical geographyEcologyBiologyArtEcosystem
DOInot available

Abstract

fetched live from OpenAlex

Les eaux continentales jouent un rôle important dans le cycle du carbone et l'émission des gaz à effet de serre et la majorité des lacs dans le monde se trouve dans la région boréale. Alors que la technologie et les connaissances pour mesurer les propriétés de l'eau sont établies, les techniques pour les estimer par télédétection sont toujours à développer. Puisque le biome boréal est vaste et souvent inaccessible, il est nécessaire de développer des outils pour estimer les propriétés des lacs sans les échantillonner de façon exhaustive. Dans cette mémoire, nous avons réalisé une carte de la morphologie des lacs et nous avons exploré le rôle de la morphologie dans la variabilité de quatre formes de carbone dans le paysage boréal du Québec, Canada. Le chapitre 1 vise à définir les régions morphologiques des lacs du Québec en utilisant un ensemble de paramètres morphologiques qui peuvent être quantifiés par télédétection. Ces paramètres incluent: l'aire, le périmètre, la profondeur moyenne/maximale, le volume, la complexité de la rive, la forme du lac, le pourcentage de littoral et le ratio dynamique. Ces paramètres bathymétriques ont été extraits de la forme du bassin, que nous avons estimé à partir de la topographie autour du lac. Nous avons ensuite exploré les relations allométriques entre les paramètres et nous avons identifié trois variables indépendantes : la taille, la forme bathymétrique et la complexité. Nous avons utilisé ces trois variables pour séparer les 1,27 million de lacs du Québec ayant une superficie supérieure à 0.005 km2 entre 10 catégories. Étant donné que le paysage du Québec a subi l'action de la glaciation, certaines régions ayant le même matériel géologique de base ont une structure de surface similaire et ainsi les aspects morphologiques des lacs sont souvent redondants dans ces régions. Les régions morphologiques des lacs s'alignent donc souvent avec la roche mère et les sédiments sous-jacents. Dans le deuxième chapitre, nous examinons la relation entre neuf paramètres morphologiques, sept caractéristiques du réseau hydrologique et quatre formes de carbone : le méthane (CH4), le dioxyde de carbone (CO2), le carbone organique dissous (COD) et le carbone inorganique dissous (CID). Nous avons utilisé une base de données de 300 lacs, échantillonnés au travers Québec, pour examiner l'importance de la relation entre la quantité de carbone et les aspects morphologiques. La meilleure corrélation a été entre la morphologie et la concentration de CH4, expliquant 60% de la variabilité des concentrations. Quant au CO2, c'était les variables qui décrivaient l'interface aquatique-terrestre des lacs qui ont expliqué la plupart de la variabilité (30%). Par contre le CID a été presque indépendant de la morphologie des lacs, mis à part d'une faible influence de volume et de la position dans le réseau hydrographique (14%). Les différentes relations entre la morphologie et les formes de carbone sont largement dues aux différentes sources de carbone et leur parcours jusqu'aux lacs. Les conclusions de ce mémoire mènent à plusieurs perspectives futures. Les sujets abordés dans les deux chapitres élargissent nos connaissances sur la morphologie des lacs boréaux, la distribution de leurs paramètres et leurs impacts sur le cycle de carbone. D'autres études sur le sujet ou sur d'autres processus physiques, chimiques ou écologiques peuvent également utiliser des régions morphologiques des lacs afin d'améliorer le design d'échantillonnage ou la modélisation à grande échelle.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.661
Threshold uncertainty score0.800

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.009
GPT teacher head0.152
Teacher spread0.143 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations1
Published2018
Admission routes1
Has abstractyes

Explore more

Same venueArchipelago (Université du Québec à Montréal)Same topicGeological Studies and ExplorationFrench-language works237,207