Monitoring of the surface ground temperature in Arctic permafrost areasMonitoring of the surface ground temperature in Arctic permafrost areas using remote sensing satellite data assimilated in the canadian climatic surface scheme model (CLASS)
Bibliographic record
Abstract
Plusieurs études récentes ont montré que le réchauffement climatique des régions nordiques, deux fois plus important dans les hautes latitudes nord qu’ailleurs dans le monde, augmentait l’épaisseur de la couche active de surface en zones de pergélisol (couche superficielle du sol qui dégèle durant la période estivale). Cette modification de surface pourrait avoir un impact environnemental très important sur la libération du carbone du sol, l’hydrologie, les écosystèmes, ainsi que sur le pergélisol. Cette évolution commence déjà à avoir des répercutions socio-économiques importantes sur les infrastructures des communautés du Nord. Le but du projet est d’exploiter une nouvelle base de données satellites micro-onde, que nous venons de développer, pour l’analyse des températures de surface et de l’évolution du pergélisol (permafrost) au Canada-Alaska sur les 30 dernières années. Un des objectifs spécifiques du projet est de mettre au point une méthode de caractérisation des changements de la couche active de surface en zones de pergélisol par l’assimilation des observations spatiales dans un modèle de flux de chaleur dans le sol. L’évolution de l’étendue des zones de pergélisol dérivée sera analysée en fonction de la couverture du sol et de la dynamique du couvert nival, deux paramètres aussi dérivés par satellite. Possibilité de validation des modèles par mesures au sol avec nos radiomètres micro-ondes. Ce projet combine ainsi développement théorique, modélisation et traitement d’images numériques sur différents domaines scientifiques (physique de la mesure en télédétection, géophysique de l’environnement, écosystèmes, science des sols).
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 | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 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".