Comparison of Methods to Estimate Snow Water Equivalent at the Mountain Range Scale: A Case Study of the California Sierra Nevada
Notice bibliographique
Résumé
Abstract Despite the importance of snow in global water and energy budgets, estimates of global mountain snow water equivalent (SWE) are not well constrained. Two approaches for estimating total range-wide SWE over Sierra Nevada, California, are assessed: 1) global/hemispherical models and remote sensing and models available for continental United States (CONUS) plus southern Canada (CONUS+) available to the scientific community and 2) regional climate model simulations via the Weather Research and Forecasting (WRF) Model run at 3, 9, and 27 km. As no truth dataset provides total mountain range SWE, these two approaches are compared to a “reference” SWE consisting of three published, independent datasets that utilize/validate against in situ SWE measurements. Model outputs are compared with the reference datasets for three water years: 2005 (high snow accumulation), 2009 (average), and 2014 (low). There is a distinctive difference between the reference/WRF datasets and the global/CONUS+ daily estimates of SWE, with the former suggesting up to an order of magnitude more snow. Results are qualitatively similar for peak SWE and 1 April SWE for all three years. Analysis of SWE time series indicates that lower SWE for global and CONUS+ datasets is likely due to precipitation, rain/snow partitioning, and ablation parameterization differences. It is found that WRF produces reasonable (within 50%) estimates of total mountain range SWE in the Sierra Nevada, while the global and CONUS+ datasets underestimate SWE.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».