Reconstructing snowmelt runoff in the Yukon River basin using the SWEHydro model and AMSR‐E observations
Notice bibliographique
Résumé
Abstract Snowmelt timing and snow water equivalent (SWE) from the Advanced Microwave Scanning Radiometer for EOS (AMSR‐E) are used as inputs to the SWEHydro model to simulate spring snowmelt runoff in high‐latitude, snow‐dominated drainages. AMSR‐E data from 2003 to 2010 are used to determine the timing of melt onset and snow saturation on the basis of changes in brightness temperature ( T b ) and diurnal amplitude variations (DAV). Pre‐melt SWE data are combined with terrain information and melt rate estimates to calculate runoff. After melt onset, there is a ‘melt transition period’ with daytime melt and nocturnal refreeze. The melt transition is characterized by high T b oscillations (high DAV). At the end of high DAV, the snowpack is melting at a higher rate. The model uses four parameters: snowmelt rate during and after melt transition (defined by T b and DAV thresholds) and flow timing during and after melt transition. The model effectively simulates spring freshet, peak timing and magnitude, and volume (between days 50 and 180) in basins lacking sufficient meteorological measurements for conventional models. We compare the model response in the Pelly and Stewart Rivers, tributaries to the Yukon River, to evaluate model parameters in broadly similar basins under varying conditions. Simulated freshet timing is strongly related to snowmelt timing, and the modeled hydrograph is most sensitive to the flow timing parameter. This observationally based model has potential as a module for quantifying spring snowmelt runoff and timing in physically based models. Copyright © 2012 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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 ».