Large-area land surface simulations in heterogeneous terrain driven by global data sets: application to mountain permafrost
Notice bibliographique
Résumé
Abstract. Numerical simulations of land surface processes are important in order to perform landscape-scale assessments of earth systems. This task is problematic in complex terrain due to (i) high-resolution grids required to capture strong lateral variability, and (ii) lack of meteorological forcing data where they are required. In this study we test a topography and climate processor, which is designed for use with large-area land surface simulation, in complex and remote terrain. The scheme is driven entirely by globally available data sets. We simulate air temperature, ground surface temperature and snow depth and test the model with a large network of measurements in the Swiss Alps. We obtain root-mean-squared error (RMSE) values of 0.64 °C for air temperature, 0.67–1.34 °C for non-bedrock ground surface temperature, and 44.5 mm for snow depth, which is likely affected by poor input precipitation field. Due to this we trial a simple winter precipitation correction method based on melt dates of the snowpack. We present a test application of the scheme in the context of simulating mountain permafrost. The scheme produces a permafrost estimate of 2000 km2, which compares well to published estimates. We suggest that this scheme represents a useful step in application of numerical models over large areas in heterogeneous terrain.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».