Evaluation of CLASS Snow Simulation over Eastern Canada
Notice bibliographique
Résumé
Abstract The Canadian Land Surface Scheme (CLASS), version 3.6.1, was run offline for the period 1990–2011 over a domain centered on eastern Canada, driven by atmospheric forcing data dynamically downscaled from ERA-Interim using the Canadian Regional Climate Model. The precipitation inputs were adjusted to replicate the monthly average precipitation reported in the CRU observational database. The simulated fractional snow cover and the surface albedo were evaluated using NOAA Interactive Multisensor Snow and Ice Mapping System and MODIS data, and the snow water equivalent was evaluated using CMC, Global Snow Monitoring for Climate Research (GlobSnow), and Hydro-Québec products. The modeled fractional snow cover agreed well with the observational estimates. The albedo of snow-covered areas showed a bias of up to −0.15 in boreal forest regions, owing to neglect of subgrid-scale lakes in the simulation. In June, conversely, there was a positive albedo bias in the remaining snow-covered areas, likely caused by neglect of impurities in the snow. The validation of the snow water equivalent was complicated by the fact that the three observation-based datasets differed widely. Also, the downward adjustment of the forcing precipitation clearly resulted in a low snow bias in some regions. However, where the density of the observations was high, the CLASS snow model was deemed to have performed well. Sensitivity tests confirmed the satisfactory behavior of the current parameterizations of snow thermal conductivity, snow albedo refreshment threshold, and limiting snow depth and underlined the importance of snow interception by vegetation. Overall, the study demonstrated the necessity of using a wide variety of observation-based datasets for model validation.
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 | 0,000 |
| 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 ».