Parameterization of Blowing-Snow Sublimation in a Macroscale Hydrology Model
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
An algorithm that parameterizes the topographically induced subgrid variability in wind speed, snow transport, and blowing-snow sublimation was designed for use within macroscale hydrology models and other large-scale land surface schemes (LSSs). The algorithm is intended to provide consistent estimates of the relative influence of sublimation from blowing snow for continental-scale river basins, while balancing the land surface water and energy budgets. In addition to the standard LSS inputs, the model requires specification of the standard deviation of terrain slope, the mean fetch, and the lag-1 autocorrelation of terrain gradients. Sublimation fluxes are solved for each vegetation class, for each model grid cell. Model results are compared to observed snow water equivalent (SWE) and simulated estimates of sublimation from blowing snow for two small tundra watersheds: Imnavait Creek, Alaska, and Trail Valley Creek, Northwest Territories, Canada, produced by two different small-scale distributed blowing-snow algorithms. The macroscale algorithm reproduced most aspects of the variability between years and between vegetation types predicted by the more detailed models. The macroscale model was subsequently used to estimate sublimation from blowing snow and the snowpack for the 8000-km 2 Kuparuk River watershed in northern Alaska. Annual average sublimation from blowing snow predicted by the model for this region varies from 47 mm in the foothills of the Brooks Range to approximately 31 mm on the Arctic coastal plain; sublimation was primarily controlled by topographic limitations on fetch in the foothills and by precipitation and vapor pressure on the coastal plain.
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