Quantifying the role of the snowpack in generating water available for run‐off during rain‐on‐snow events from snow pillow records
Notice bibliographique
Résumé
Abstract Rain‐on‐snow events have generated major floods around the world, particularly in coastal, mountainous regions. Most previous studies focused on a limited number of major rain‐on‐snow events or were based primarily on model results, largely due to a lack of long‐term records from lysimeters or other instrumentation for quantifying event water balances. In this analysis, we used records from five automated snow pillow sites in south coastal British Columbia, Canada, to reconstruct event water balances for 286 rain‐on‐snow events over a 10‐year period. For large rain‐on‐snow events (event rainfall >40 mm), snowmelt enhanced the production of water available for run‐off (WAR) by approximately 25% over rainfall alone. For smaller events, a range of antecedent and meteorological factors influenced WAR generation, particularly the antecedent liquid water content of the snowpack. Most large events were associated with atmospheric rivers. Rainfall dominated WAR generation during autumn and winter events, whereas snowmelt dominated during spring and summer events. In the majority of events, the sensible heat of rain contributed less than 10% of the total energy consumed by snowmelt. This analysis illustrated the importance of understanding the amount of rainfall occurring at high elevations during rain‐on‐snow events in mountainous regions.
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 | 0,001 |
| 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 | 0,001 | 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 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 ».