New Observed Data Sets for the Validation of Hydrology and Land Surface Models in Cold Climates
Notice bibliographique
Résumé
Abstract In a recent WRR paper, Yan et al. (2018, https://doi.org/10.1002/2017WR021290 ) have derived a simple, elegant, and useful way of reanalyzing quality‐controlled SNOTEL data sets to produce quantitative estimates of water reaching the land surface during rain, snowmelt, and rain‐on‐snow events, and use these data to generate “next‐generation” intensity duration, and frequency curves for these quantities at SNOTEL measurement locations. These new data sets may prove useful as direct inputs to design processes in some cases, but I argue in this commentary that they will probably have much more important application to the validation and refinement of off‐line hydrology models and land surface schemes embedded in climate models, which can then be used to extend these data in space and time to create more comprehensive products to guide infrastructure design. If well validated, such tools can be used to extend backward in time to make detailed hindcasts of the historical record with more complete spatial and temporal coverage (which also facilitates more accurate estimation of extremes with longer return intervals) and forward in time to project future conditions that are needed to design long‐lived infrastructure in what will likely be a highly nonstationary environment. In addition, there is a need to extend these data sets to include lower elevation areas in mountain environments, and other areas of the United States and Canada with cold winter climates.
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 | 0,011 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».