Improving Snow Analyses for Hydrological Forecasting at ECCC Using Satellite-Derived Data
Notice bibliographique
Résumé
As part of the National Hydrological Services Transformation Initiative, Environment and Climate Change Canada (ECCC) designed and implemented the National Surface and River Prediction System (NSRPS) in order to provide surface and river flow analysis and forecast products across Canada. Within NSRPS, the Canadian Land Data Assimilation System (CaLDAS) produces snow analyses that are used to initialise the land surface model, which in turn is used to force the river routing component. Originally, CaLDAS was designed to improve atmospheric forecasts with less focus on hydrological processes. When snow data assimilation occurs, the related increments remove/add water from/to the system, which can sometimes be problematic for streamflow forecasting, in particular during the snowmelt period. In this study, a new snow analysis method introduces multiple innovations that respond to the need for higher quality snow analyses for hydrological purposes, including the use of IMS snow cover extent data instead of in situ snow depth observations. The results show that the new snow assimilation methodology brings an overall improvement to snow analyses and substantially enhances water conservation, which is reflected in the generally improved streamflow simulations. This work represents a first step towards a new snow data assimilation process in CaLDAS, with the final objective of producing a reliable snow analysis to initialise and improve NWP as well as environmental predictions, including flood and drought forecasts.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».