The role of meteorological forcing and snow model complexity in winter glacier mass balance estimation, Columbia River basin, Canada
Notice bibliographique
Résumé
Abstract Glaciers are commonly located in mountainous terrain subject to highly variable meteorological conditions. High resolution meteorological (HRM) data simulated by atmospheric models can complement meteorological station observations in order to assess changes in glacier energy fluxes and mass balance. We examine the performance of two snow models, SnowModel and Alpine3D, forced by different meteorological data for winter mass balance simulations at four glaciers in the Canadian portion of the Columbia Basin. The Weather Research and Forecasting model (WRF) with resolution of 1 km and the North American Land Data Assimilation System with ~12 km resolution, provide HRM data for the two snow models. Evaluation is based on the ability of the snow models to simulate snow depth at both point locations (automated snow weather stations) and over the entire glacier surface (airborne LiDAR [Light Detection and Ranging] surveys) during the 2015/2016 winter accumulation. When forced with HRM data, both models can reproduce snow depth to within ±15% of observed values. Both models underestimate winter mass balance when forced by HRM data. When driven with WRF data, SnowModel underestimates winter mass balance integrated over the glacier area by 1 and 10%, whilst Alpine3D underestimates winter mass balance by 12 and 22% compared with LiDAR and stake measurements, respectively. The overall results show that SnowModel forced by WRF simulated winter mass balance the best.
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 | 0,000 | 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) | 0,000 | 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 ».