IMPROVEMENT OF SNOW GRAIN SIMULATIONS FROM THE MULTI-LAYERED THERMODYNAMIC SNOW MODEL SNOWPACK: IMPLICATIONS TO AVALANCHE RISK ASSESSMENT
Notice bibliographique
Résumé
The snow thermodynamic multi-layers model SNOWPACK was developed by the Swiss Federal Research Institute (WSL/SLF) in Switzerland in order to address the risk of avalanches by simu- lating the vertical geophysical and thermophysical properties of snow. SNOWPACK risk assessments are based on the simulation of snow microstructure (i.e. grain size, sphericity, dendricity and bond size). Pre- vious research has shown a systematic bias in the grain size simulations (equivalent optical grain size) over several areas in northern Canada. Snow specific surface area (S SA), a grain size metric, was meas- ured using a laser-based system measuring snow albedo through an integrating sphere (InfraRed Inte- grating Sphere, IRIS) at 1310 nm. Optical grain size was retrieved from the SSA measurements in order to be compared with the optical equivalent snow grain radius from SNOWPACK outputs. A field campaign was conducted during the 2014 winter in the Canadian Rockies to validate the bias and. Three study plots were selected, each with its own climate particularities. The first site was located at Mt. Fidelity in Glacier National Park, BC. The second site was located within the Marmot Basin ski resort in Jasper National Park, AB and finally, the third site is located in Reserve naturelle des Chic-Chocs, QC. Profiles of snow tem perature, density, grain size (IRIS) were conducted, and stratigraphic analysis completed using visual interpretation, combine with a snow micropenetrometer (SMP). The measurements are expected to pro- vide detailed information on snow microstructure, leading to a snow grain correction coefficient for SNOWPACK for the improvement of snow stability predictions.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».