Observations of soil surface temperatures over the whole Arctic permafrost area using remote sensing
Bibliographic record
Abstract
Le pergélisol, défini comme un sol gelé pendant plus de deux années successives, est un élément clé de l'environnement nordique. La couche active du pergélisol est sujette au dégel saisonnier et est très impactée par le réchauffement de l'Arctique en lien avec le changement climatique. Modifiant hydrologiquement et biogéochimiquement le milieu, le dégel du pergélisol a des conséquences tant environnementales qu'économiques. Il apparaît donc essentiel de développer des méthodes de suivi de l'état de surface du pergélisol (humidité du sol - Soil Moisture en anglais - (SM) et température du sol (Tsol)) sur la vaste étendue des régions arctiques. La télédétection satellite rend aujourd'hui possible des observations spatiales et temporelles régulières de ces régions. La mission satellitaire Soil Moisture and Ocean Salinity (SMOS) mesurent les émissions micro-ondes en bande L, liées aux propriétés physiques du sol, et permet de suivre le SM dans de nombreuses zones éco-climatiques. Pourtant, le manque de connaissance des facteurs affectant le signal (tels que la végétation de type toundra ou le manteau neigeux) limite ces mesures pour les environnements arctiques. Cette thèse a pour but de développer de nouvelles méthodes de suivi de l'humidité et la température du sol en milieu nordique à partir des Température de Brillance (TB) SMOS. Dans le premier article, les produits satellite SM existants sont évalués par rapport à des mesures in situ. Cette évaluation souligne les défis et les facteurs des régions arctiques rendant difficiles l'inversion des SM. Nous avons adapté le processus d'inversion des TB SMOS afin d'améliorer la qualité du produit SM pour de tels environnements climatiques. Nous proposons une optimisation conjointe du paramètre de surface du sol (H r = 0) et de l'albédo de simple diffusion de la végétation (ω = 0.08), ainsi que l'utilisation de deux modèles de constantes diélectriques du sol. Le signal des nombreuses étendues d'eau présentes en Arctique est pris en compte dans notre processus d'inversion. Notre modèle, ainsi adapté à l'environnement de toundra arctique, améliore l'accord entre les SM issues de SMOS et les SM in situ, mais reste fortement impacté par les étendues d'eau. Dans le second article, les Tsol sont pour la première fois inversées en hiver sous le manteau neigeux dans les milieux nordiques. L'étude propose une meilleure prise en compte de la couche de neige, quasi-transparente en bande L, et de l'interface sol/neige. Un premier modèle fait fit de la présence d'étendues d'eau et un second modèle inclut une méthode de correction pour prendre en compte l'émission des étendues d'eau gelées. Les Tsol inversées sont comparées à des Tsol in situ entre 2012 et 2020 sur 21 sites au Nord de l'Alaska. Pour des sites avec peu d'étendues d'eau, le biais est quasi nul (-0,2°C). Pour les sites avec une fraction d'eau supérieure à 20 %, le second modèle permet de réduire le biais, mais la correction fixe au cours de la saison ne permet d'augmenter la corrélation. Enfin, l'algorithme développé dans le second article a été appliqué à l'ensemble de l'arctique circumpolaire afin d'évaluer les variations spatio-temporelles des Tsol depuis 2012. Des tendances pour les Tsol et les température de l'air (Tair) sont présentées et les résultats mettent en avant les disparités géographiques du réchauffement de la couche active du pergélisol. L'impact du type de végétation sur le manteau neigeux et ses conséquences sur la Tsol sont observées sur deux sites de l'Est de l'Eurasie. Nous montrons qu'en zone de toundra arbustive, la Tsol est supérieure à celle observée en zone de toundra herbacée. Les méthodes et résultats de cette thèse dévoilent de nouvelles possibilités pour le suivi de l'état du pergélisol arctique. La télédétection micro-ondes passives en bande L apparaît comme un outil pertinent pour l'étude de l'Arctique, région des plus vulnérables, face aux changements climatiques.
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) | 0.000 | 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".