Forecast of streamflows to the Arctic Ocean by a Bayesian neural network model with snowcover and climate inputs
Notice bibliographique
Résumé
Abstract Increasing water flowing into the Arctic Ocean affects oceanic freshwater balance, which may lead to the thermohaline circulation collapse and unpredictable climatic conditions if freshwater inputs continue to increase. Despite the crucial role of ocean inflow in the climate system, less is known about its predictability, variability, and connectivity to cryospheric and climatic patterns on different time scales. In this study, multi-scale variation modes were decomposed from observed daily and monthly snowcover and river flows to improve the predictability of Arctic Ocean inflows from the Mackenzie River Basin in Canada. Two multi-linear regression and Bayesian neural network models were used with different combinations of remotely sensed snowcover, in-situ inflow observations, and climatic teleconnection patterns as predictors. The results showed that daily and monthly ocean inflows are associated positively with decadal snowcover fluctuations and negatively with interannual snowcover fluctuations. Interannual snowcover and antecedent flow oscillations have a more important role in describing the variability of ocean inflows than seasonal snowmelt and large-scale climatic teleconnection. Both models forecasted inflows seven months in advance with a Nash–Sutcliffe efficiency score of ≈0.8. The proposed methodology can be used to assess the variability of the freshwater input to northern oceans, affecting thermohaline and atmospheric circulations.
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 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 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 ».