MétaCan
Menu
Retour à la cohorte
Enregistrement W2040643865 · doi:10.3402/tellusa.v66.21564

Evolution of snow and ice temperature, thickness and energy balance in Lake Orajärvi, northern Finland

2014· article· en· W2040643865 sur OpenAlexaff
Bin Cheng, Timo Vihma, Laura Rontu, Anna Kontu, Homa Kheyrollah Pour, Claude Duguay, Jouni Pulliainen

Notice bibliographique

RevueTellus A Dynamic Meteorology and Oceanography · 2014
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésSnowEnvironmental scienceAtmospheric sciencesPrecipitationCryosphereClimatologyAutomatic weather stationEnergy balanceSea ice thicknessSea iceGeologyMeteorologyGeographyGeomorphology

Résumé

récupéré en direct d'OpenAlex

The seasonal evolution of snow and ice on Lake Orajärvi, northern Finland, was investigated for three consecutive winter seasons. Material consisting of numerical weather prediction model (HIRLAM) output, weather station observations, manual snow and ice observations, high spatial resolution snow and ice temperatures from ice mass balance buoys (SIMB), and Moderate Resolution Imaging Spectroradiometer (MODIS) lake ice surface temperature observations was gathered. A snow/ice model (HIGHTSI) was applied to simulate the evolution of the snow and ice surface energy balance, temperature profiles and thickness. The weather conditions in early winter were found critical in determining the seasonal evolution of the thickness of lake ice and snow. During the winter season (Nov.–Apr.), precipitation, longwave radiative flux and air temperature showed large inter-annual variations. The uncertainty in snow/ice model simulations originating from precipitation was investigated. The contribution of snow to ice transformation was vital for the total lake ice thickness. At the seasonal time scale, the ice bottom growth was 50–70% of the total ice growth. The SIMB is suitable for monitoring snow and ice temperatures and thicknesses. The Mean Bias Error (MBE) between the SIMB and borehole measurements was −0.7 cm for snow thicknesses and 1.7 cm for ice thickness. The temporal evolution of MODIS surface temperature (three seasons) agrees well with SIMB and HIGHTSI results (correlation coefficient, <em>R</em>=0.81). The HIGHTSI surface temperatures were, however, higher (2.8°C≤MBE≤3.9°C) than the MODIS observations. The development of HIRLAM by increasing its horizontal and vertical resolution and including a lake parameterisation scheme improved the atmospheric forcing for HIGHTSI, especially the relative humidity and solar radiation. Challenges remain in accurate simulation of snowfall events and total precipitation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,174
Écart entre enseignants0,171 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations71
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTellus A Dynamic Meteorology and OceanographyMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207