Modelled and satellite‐derived surface albedo of lake ice – Part I: evaluation of the albedo parameterization scheme of the Canadian Lake Ice Model
Notice bibliographique
Résumé
Abstract Accurate simulations of freshwater lake ice are integral for the study of climatic variability in northern environments. Surface albedo, a component often parameterized in lake ice models, has been shown to affect the timing of ice break‐up during the melt season. In situ snow and ice albedo measurements were taken over a partially snow‐covered freshwater lake near Churchill, Manitoba for the evaluation of the albedo parameterization of the Canadian Lake Ice Model (CLIMo) and the Moderate Resolution Imaging Spectrometer (MODIS) albedo products (MOD10A1/MYD10A1 and MCD43A3). The albedo simulations using CLIMo were performed with and without snow integrated into the model and evaluated against in situ albedo measurements recorded over clear ice, snow ice and snow‐covered ice. The simulated snow albedo from CLIMo for the entire ice growth season evaluated against snow albedo observations had a root mean square error of 0.07, a mean absolute error of 0.06, and a mean bias error (MBE) of −0.01. With snow removed from CLIMo, the albedo parameterization overestimated albedo values measured in the field over snow‐free clear ice and snow ice with MBE values of 0.13 and 0.10, respectively. These findings suggest that CLIMo's bare ice albedo parameterization needs to be revised to account for albedo differences between ice types. The evaluation of the MODIS albedo products with in situ snow and ice albedo observations and the comparison of these satellite products with CLIMo's albedo parameterization during the melt period, when in situ radiation measurement stations needed to be removed from the lake‐ice surface, are addressed in paper Part II (this issue). Copyright © 2014 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».