Forcing the snow-cover model SNOWPACK with forecasted weather data
Notice bibliographique
Résumé
Abstract. Avalanche danger is often estimated based on snow cover stratigraphy and snow stability data. In Canada, single forecasting regions are very large (>50 000 km2) and snow cover data are often not available. To provide additional information on the snow cover and its seasonal evolution the Swiss snow cover model SNOWPACK was therefore coupled with a regional weather forecasting model GEM15. The output of GEM15 was compared to meteorological as well as snow cover data from Mt. Fidelity, British Columbia, Canada, for five winters between 2005 and 2010. Precipitation amounts are most difficult to predict for weather forecasting models. Therefore, we first assess the capability of the model chain to forecast new snow amounts and consequently snow depth. Forecasted precipitation amounts were generally over-estimated. The forecasted data were therefore filtered and used as input for the snow cover model. Comparison between the model output and manual observations showed that after pre-processing the input data the snow depth and new snow events were well modelled. In a case study two key factors of snow cover instability, i.e. surface hoar formation and crust formation were investigated at a single point. Over half of the relevant critical layers were reproduced. Overall, the model chain shows promising potential as a future forecasting tool for avalanche warning services in Canadian data sparse areas and could thus well be applied to similarly large regions elsewhere. However, a more detailed analysis of the simulated snow cover structure is still required.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».