Evaluation of the snow cover in the Soil, Vegetation, and Snow (SVS) land surface model
Notice bibliographique
Résumé
Abstract The Soil, Vegetation, and Snow (SVS) land surface model was recently developed at Environment and Climate Change Canada (ECCC) for operational numerical weather prediction and hydrological forecasting. This study examined the performance of the snow scheme in the SVS model over multiple years at ten well-instrumented sites from the Earth System Model-Snow Model Intercomparison Project (ESM-SnowMIP), which covers alpine, maritime and taiga climates. The SVS snow scheme is a simple single-layer snowpack scheme that uses the force-restore method. Stand-alone, point-scale verification tests showed that the model is able to realistically reproduce the main characteristics of the snow cover at these sites, namely snow water equivalent, density, snow depth, surface temperature, and albedo. SVS accurately simulated snow water equivalent, density and snow depth at open sites, but exhibited lower performance for subcanopy snowpacks (forested sites). The lower performance was attributed mainly to the limitations of the compaction scheme and the absence of a snow interception scheme. At open sites, the SVS snow surface temperatures were well represented but exhibited a cold bias, which was due to poor representation at night. SVS produced a reasonably accurate representation of snow albedo, but there was a tendency to overestimate late winter albedo. Sensitivity tests suggested improvements associated with the snow melting formulation in SVS.
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 | 0,002 | 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 ».