Evaluation of snow water equivalent datasets over the Saint‐Maurice river basin region of southern Québec
Notice bibliographique
Résumé
Abstract A 10‐km gridded snow water equivalent (SWE) dataset is developed over the Saint‐Maurice River basin region in southern Québec from kriging of observed snow survey data for evaluation of SWE products. The gridded SWE dataset covers 1980–2014 and is based on manual gravimetric snow surveys carried out on February 1, March 1, March 15, April 1, and April 15 of each snow season, which captures the annual maximum SWE (SWEM) with a mean interpolation error of ±19%. The dataset is used to evaluate SWEM from a range of sources including satellite retrievals, reanalyses, Canadian regional climate models, and the Canadian Meteorological Centre operational snow depth analysis. We also evaluate a number of solid precipitation datasets to determine their contribution to systematic errors in estimated SWEM. None of the evaluated datasets is able to provide estimates of SWEM that are within operational requirements of ±15% error, and insufficient solid precipitation is determined to be one of the main reasons. The Climate System Forecast Reanalysis is the only dataset where snowfall is sufficiently large to generate SWEM values comparable to observations. Inconsistencies in precipitation are also found to have a strong impact on year‐to‐year variability in SWEM dataset performance and spread. Version 3.6.1 of the Canadian Land Surface Scheme land surface scheme driven with ERA‐Interim output downscaled by Version 5.0.1 of the Canadian Regional Climate Model was the best physically based model at explaining the observed spatial and temporal variability in SWEM (root‐mean‐square error [RMSE] = 33%) and has potential for lower error with adjusted precipitation. Operational snow products relying on the real‐time snow depth observing network performed poorly due to a lack of real‐time data and the strong local scale variability of point snow depth observations. The results underscore the need for more effort to be invested in improving solid precipitation estimates for use in snow hydrology applications.
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) | 0,004 | 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 ».