The influence of shrub expansion on albedo and the winter radiation budget in the Canadian Low Arctic
Bibliographic record
Abstract
Au cours des dernières décennies, le réchauffement climatique a entrainé une arbustation accélérée des écosystèmes arctiques. En modifiant l'albédo, les arbustes influencent la température de l'atmosphère, du manteau neigeux et du pergélisol, ce qui pourrait accélérer la fonte ou le dégel de ces deux derniers et initier de fortes boucles de rétroaction positive qui accentueraient les effets des changements climatiques. L'une des conséquences principales de cette arbustation est la réduction de l'albédo de la neige par les branches qui dépassent du manteau neigeux et en assombrissent la surface. De plus, des interactions complexes entre neige et arbustes d'une part modulent la remobilisation et le transport de la neige par le vent et d'autre part accélèrent la fonte durant les redoux. Ainsi, la présence d'arbustes au sein du manteau neigeux peut affecter les propriétés physiques et optiques de la neige, altérant encore davantage l'albédo de la surface affectée. Enfin, les branches ensevelies dans la neige peuvent également influencer le budget radiatif en absorbant les rayons lumineux car ceux-ci pénètrent généralement à plus de 10 cm de profondeur dans le manteau neigeux. Pour étudier et quantifier les interactions entre la neige, les arbustes et la lumière, nous avons récolté un jeu de données unique qui compare des manteaux neigeux avec et sans arbustes. Pour tous les sites échantillonnés, nous avons mesuré l'albédo spectral in situ et les profils de propriétés physiques de la neige ainsi que d'irradiance. Nous avons récolté ces données dans le bas Arctique, à Umiujaq, Nord du Québec, Canada (56° N, 76° W), au cours de plusieurs campagnes de terrain d'automne et d'hiver. En nous basant sur les données obtenues ainsi que des données de taille et de distribution verticale de branches d'arbustes, nous avons développé et validé une paramétrisation simple mais efficace permettant de modéliser l'albédo de surfaces hétérogènes composées de neige et d'arbustes. Cette nouvelle paramétrisation nous a permis de modéliser l'albédo avec une erreur inférieure à 3 %. Elle peut être utilisée de manière prédictive et est facile à intégrer aux modèles de système terre. L'albédo ainsi modélisé nous a permis d'élucider des processus importants des interactions entre la neige, les arbustes et la lumière. Nous avons trouvé que la réduction de l'albédo par les branches qui dépassent du manteau neigeux dépend de la longueur d'ondes considérée. Tôt durant la saison nivale, les branches diminuent l'albedo de 55 % à 500 nm et 18 % à 1000 nm. En revanche, l'effet des branches sur les propriétés physiques de la neige n'étaient pas suffisamment importants pour affecter l'albédo, sauf lors d'évènements climatiques extrêmes comme les blizzards ou les épisodes de chaleur. Nos résultats suggèrent que l'impact direct de l'assombrissement par les branches est largement supérieur aux effets indirects causés par les changements des propriétés physiques de la neige. Cependant, ces derniers pourraient gagner en importance si les évènements climatiques extrêmes devenaient plus fréquents au fur et à mesure que le réchauffement de l'Arctique s'intensifie. Finalement, nous montrons que l'impact des branches ensevelies sous la neige se traduit surtout par une augmentation de la fonte durant les épisodes de chaleur ainsi que par une intensification des processus métamorphiques tôt dans la saison. Cependant ces impacts étaient extrêmement localisés et restreints à l'environnement très proche des branches. Pour cette raison, il a été difficile de quantifier l'impact des branches ensevelies sur le budget radiatif terrestre, d'autant plus que les concentrations de carbone suie élevées (185 ng g⁻¹) dans le manteau neigeux d'Umiujaq ont accentué l'incertitude quant à l'effet relatif de ces deux processus sur l'albédo. Finalement, comme notre paramétrisation pour modéliser l'albédo a été développée sur la base de données provenant d'un seul site, nous croyons qu'il serait nécessaire de la tester de manière plus générale, avec des données provenant d'autres endroits. De cette manière, elle pourrait ensuite être intégrée aux modèles de surface continentale, ce qui permettrait d'inclure un effet réaliste de l'arbustation actuelle et future de l'Arctique sur les scénarios climatiques locaux et globaux.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| 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".