Using satellite imagery to validate snow distribution simulated by a hydrological model in large northern basins
Notice bibliographique
Résumé
Abstract Owing to the scarcity of hydro‐climatic data in high latitudes, most hydrological models are validated using only discharge data from the basin outlets. In view of the important contribution of snowmelt to northern river flows, there is a need to evaluate model performance in terms of the ability to simulate the seasonal pattern of change in the basin snow cover. The paucity of ground observations renders satellite information a suitable alternative. The moderate resolution imaging spectroradiometer (MODIS) global snow‐cover product provided by the National Snow and Ice Data Center (NSIDC) offers one such tool to validate simulated snow coverage in rugged sub‐arctic and boreal terrain. This study examines the usefulness of applying MODIS data to validate the hydrological simulation for two test basins: the Liard (275 000 km 2 ) and the Athabasca (133 000 km 2 ) Basins in Canada. Changing extent of snow cover simulated by the Semi‐distributed Land Use‐based Runoff Processes (SLURP) macro‐hydrologic model was compared with MODIS imagery at four bi‐weekly intervals in 2000 and 2001. The simulated patterns of seasonal snow‐cover change are consistent with the remotely sensed information, with melt beginning from the lower elevations in the east where less snow was accumulated, to the higher elevations in the west bearing more snow. The overall results show the need and the usefulness of MODIS as a tool for validating snow distribution simulated by the hydrological model in large northern basins. Copyright © 2008 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».