PISTE: A Snow-Physics Model Incorporating Human Factors for Groomed Ski Slopes*
Notice bibliographique
Résumé
Abstract Accurately calculating snow-surface temperature and liquid water content for a groomed ski run, known as a ski piste, is crucial to the preparation of fast skis for alpine racing. Ski technicians can use forecasts of these variables to reduce ski–snow friction by applying layers of wax ahead of time. A new one-dimensional numerical Lagrangian snowpack model, Prognostic Implementation for Snow Temperature Estimation (PISTE), is presented that solves the heat-, liquid water–, and ice-budget equations to calculate these snow variables. In addition, the human effects of skiing and grooming are modeled. Meteorological measurements from a 5-day, clear-sky case study at a ski piste on Whistler Mountain, British Columbia, Canada, are prescribed to PISTE as boundary conditions. Because of a lack of interior snowpack measurements, PISTE was spun up from a dry, isothermal snowpack using repeated boundary conditions from 1 day of measurements. Initial conditions for the main model run that used the subsequent 4 days were taken from this spinup. Simulated and measured snow-surface temperatures show very good agreement, with slight cold daytime and warm nighttime biases (averaging 0.5° and 1°C, respectively). The modeled behavior of snowpack temperature and liquid water content profiles is consistent with previous literature having similar radiative boundary conditions. The case study indicates that PISTE is useful under simple conditions. It shows the potential to be developed into a more sophisticated model that can incorporate complex boundary conditions such as cloudiness and precipitation and can be driven by numerical weather prediction output.
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 | 0,000 |
| 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 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 ».