Statistical modelling of the snow depth distribution in open alpine terrain
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. The spatial distribution of alpine snow covers is characterised by large variability. Taking this variability into account is important for many tasks including hydrology, glaciology, ecology or natural hazards. Statistical modelling is frequently applied to assess the spatial variability of the snow cover. For this study, we assembled seven data sets of high-resolution snow-depth measurements from different mountain regions around the world. All data were obtained from airborne laser scanning near the time of maximum seasonal snow accumulation. Topographic parameters were used to model the snow depth distribution on the catchment-scale by applying multiple linear regressions. We found that by averaging out the substantial spatial heterogeneity at the metre scales, i.e. individual drifts and aggregating snow accumulation at the landscape or hydrological response unit scale (cell size 400 m), that 30 to 91% of the snow depth variability can be explained by models that are calibrated to local conditions at the single study areas. As all sites were sparsely vegetated, only a few topographic variables were included as explanatory variables, including elevation, slope, the deviation of the aspect from north (northing), and a wind sheltering parameter. In most cases, elevation, slope and northing are very good predictors of snow distribution. A comparison of the models showed that importance of parameters and their coefficients differed among the catchments. A "global" model, combining all the data from all areas investigated, could only explain 23% of the variability. It appears that local statistical models cannot be transferred to different regions. However, models developed on one peak snow season are good predictors for other peak snow seasons.
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.
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 | 0,000 | 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 découle