Meteorological and evaluation datasets for snow modelling at 10 reference sites: description of in situ and bias-corrected reanalysis data
Notice bibliographique
Résumé
Abstract. This paper describes in situ meteorological forcing and evaluation data, and bias-corrected reanalysis forcing data, for cold regions' modelling at 10 sites. The long-term datasets (one maritime, one arctic, three boreal, and five mid-latitude alpine) are the reference sites chosen for evaluating models participating in the Earth System Model-Snow Model Intercomparison Project. Periods covered by the in situ data vary between 7 and 20 years of hourly meteorological data, with evaluation data (snow depth, snow water equivalent, albedo, soil temperature, and surface temperature) available at varying temporal intervals. Thirty-year (1980–2010) time series have been extracted from a global gridded surface meteorology dataset (Global Soil Wetness Project Phase 3) for the grid cells containing the reference sites, interpolated to 1 h time steps and bias-corrected. Although the correction was applied to all sites, it was most important for mountain sites hundreds of metres higher than the grid elevations and for which uncorrected air temperatures were too high and snowfall amounts too low. The discussion considers the importance of data sharing to the identification of errors and how the publication of these datasets contributes to good practice, consistency, and reproducibility in geosciences. The Supplement provides information on instrumentation, an estimate of the percentages of missing values, and gap-filling methods at each site. It is hoped that these datasets will be used as benchmarks for future model development and that their ease of use and availability will help model developers quantify model uncertainties and reduce model errors. The data are published in the repository PANGAEA and are available at https://doi.pangaea.de/10.1594/PANGAEA.897575.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,007 |
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 ».