Development of the Pan-Arctic Snowfall Reconstruction: New Land-Based Solid Precipitation Estimates for 1940–99
Notice bibliographique
Résumé
Abstract A new product, the Pan-Arctic Snowfall Reconstruction (PASR), is developed to address the problem of cold season precipitation gauge biases for the 1940–99 period. The method used to create the PASR is different from methods used in other large-scale precipitation data products and has not previously been employed for estimating pan-arctic snowfall. The NASA Interannual-to-Seasonal Prediction Project Catchment Land Surface Model is used to reconstruct solid precipitation from observed snow depth and surface air temperatures. The method is tested at four stations in the United States and Canada where results are examined in depth. Reconstructed snowfall at Dease Lake, British Columbia, and Barrow, Alaska, is higher than gauge observations. Reconstructed snowfall at Regina, Saskatchewan, and Minot, North Dakota, is lower than gauge observations, probably because snow is transported by wind out of the Prairie region and enters the hydrometeorological cycle elsewhere. These results are similar to gauge biases estimated by a water budget approach. Reconstructed snowfall is consistently higher than snowfall from the 40-yr European Centre for Medium-Range Weather Forecasts (ECMWF) Re-Analysis (ERA-40) but does not have a consistent relationship with snowfall derived from the WMO Solid Precipitation Intercomparison Project correction algorithms. Advantages of the PASR approach include that 1) the assimilation of snow depth observations captures blowing snow where it is deposited and 2) the modeling approach takes into account physical snowpack evolution. These advantages suggest that the PASR product could be a valuable alternative to statistical gauge corrections and that arctic ground-based solid precipitation observing networks might emphasize snow depth measurements over gauges.
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 | 0,000 |
| 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 | 0,000 | 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 ».