Evaluating the transferability of empirical models of debris-covered glacier melt
Notice bibliographique
Résumé
Supraglacial debris is significant in many regions and complicates modeling of glacier melt, which is required for predicting glacier change and its influences on hydrology and sea-level rise. Temperature-index models are a popular alternative to energy-balance models when forcing data are limited, but their transferability among glaciers and inherent uncertainty have not been documented in application to debris-covered glaciers. Here, melt factors were compiled directly from published studies or computed from reported melt and MERRA-2 air temperature for 27 debris-covered glaciers around the world. Linear mixed-effects models were fit to predict melt factors from debris thickness and variables including debris lithology and MERRA-2 radiative exchange. The models were tested by leave-one-site-out cross-validation based on predicted melt rates. The best model included debris thickness (fixed effect) and glacier and year (random effects). Predictions were more accurate using MERRA-2 than on-site air temperature data, and pooling MERRA-2-derived and reported melt factors improved cross-validation accuracy more than including additional predictors such as shortwave or longwave radiation. At one glacier where monthly ablation was measured over 4 years, seasonal variation of melt factors suggested that heat storage significantly affected the relation between melt and energy exchange at the debris surface.
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 ».