Assimilation of snow cover and snow depth into a snow model to estimate snow water equivalent and snowmelt runoff in a Himalayan catchment
Notice bibliographique
Résumé
Abstract. Snow is an important component of water storage in the Himalayas. Previous snowmelt studies in the Himalayas have predominantly relied on remotely sensed snow cover. However, snow cover data provide no direct information on the actual amount of water stored in a snowpack, i.e., the snow water equivalent (SWE). Therefore, in this study remotely sensed snow cover was combined with in situ observations and a modified version of the seNorge snow model to estimate (climate sensitivity of) SWE and snowmelt runoff in the Langtang catchment in Nepal. Snow cover data from Landsat 8 and the MOD10A2 snow cover product were validated with in situ snow cover observations provided by surface temperature and snow depth measurements resulting in classification accuracies of 85.7 and 83.1 % respectively. Optimal model parameter values were obtained through data assimilation of MOD10A2 snow maps and snow depth measurements using an ensemble Kalman filter (EnKF). Independent validations of simulated snow depth and snow cover with observations show improvement after data assimilation compared to simulations without data assimilation. The approach of modeling snow depth in a Kalman filter framework allows for data-constrained estimation of snow depth rather than snow cover alone, and this has great potential for future studies in complex terrain, especially in the Himalayas. Climate sensitivity tests with the optimized snow model revealed that snowmelt runoff increases in winter and the early melt season (December to May) and decreases during the late melt season (June to September) as a result of the earlier onset of snowmelt due to increasing temperature. At high elevation a decrease in SWE due to higher air temperature is (partly) compensated by an increase in precipitation, which emphasizes the need for accurate predictions on the changes in the spatial distribution of precipitation along with changes in temperature.
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 | 0,001 | 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 ».