Comparison of Methods to Estimate Snow Water Equivalent at the Mountain Range Scale: A Case Study of the California Sierra Nevada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle