Aerodynamic and Radiative Controls on the Snow Surface Temperature
Notice bibliographique
Résumé
Abstract The snow surface temperature (SST) is essential for estimating longwave radiation fluxes from snow. SST can be diagnosed using finescale multilayer snow physics models that track changes in snow properties and internal energy; however, these models are heavily parameterized, have high predictive uncertainty, and require continuous simulation to estimate prognostic state variables. Here, a relatively simple model to estimate SST that is not reliant on prognostic state variables is proposed. The model assumes that the snow surface is poorly connected thermally to the underlying snowpack and largely transparent for most of the shortwave radiation spectrum, such that a snow surface energy balance among only sensible heat, latent heat, longwave radiation, and near-infrared radiation is possible and is called the radiative psychrometric model (RPM). The RPM SST is sensitive to air temperature, humidity, ventilation, and longwave irradiance and is secondarily affected by absorption of near-infrared radiation at the snow surface that was higher where atmospheric deposition of particulates was more likely to be higher. The model was implemented with neutral stability, an implicit windless exchange coefficient, and constant shortwave absorption factors and aerodynamic roughness lengths. It was evaluated against radiative SST measurements from the Canadian Prairies and Rocky Mountains, French Alps, and Bolivian Andes. With optimized and global shortwave absorption and aerodynamic roughness length parameters, the model is shown to accurately predict SST under a wide range of conditions, providing superior predictions when compared to air temperature, dewpoint, or ice bulb calculation approaches.
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) | 0,001 | 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 ».