Modelling snowpack surface temperature in the Canadian Prairies using simplified heat flow models
Notice bibliographique
Résumé
Abstract Three practical schemes for computing the snow surface temperature T s , i.e. the force–restore method (FRM), the surface conductance method (SCM), and the Kondo and Yamazaki method (KYM), were assessed with respect to T s retrieved from cloud‐free, NOAA‐AVHRR satellite data for three land‐cover types of the Paddle River basin of central Alberta. In terms of R 2 , the mean T s , the t ‐test and F ‐test, the FRM generally simulated more accurate T s than the SCM and KYM. The bias in simulated T s is usually within several degrees Celsius of the NOAA‐AVHRR T s for both the calibration and validation periods, but larger errors are encountered occasionally, especially when T s is substantially above 0 °C. Results show that the simulated T s of the FRM is more consistent than that of the SCM, which in turn was more consistent than that of the KYM. This is partly because the FRM considers two aspects of heat conduction into snow, a stationary‐mean diurnal (sinusoidal) temperature variation at the surface coupled to a near steady‐state ground heat flux, whereas the SCM assumes a near steady‐state, simple heat conduction, and other simplifying assumptions, and the KYM does not balance the snowpack heat fluxes by assuming the snowpack having a vertical temperature profile that is linear. Copyright © 2005 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 | 0,000 |
| 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 | 0,001 | 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 ».