Notice bibliographique
Résumé
The mountainous snow cover is highly variable at all temporal and spatial scales.Snowpack models only imperfectly represent this variability, because of uncertain meteorological inputs, physical parameterizations, and unresolved terrain features.In situ observations of the height of snow (HS), despite their limited representativeness, could help constrain intermediate and large-scale modeling errors by means of data assimilation.In this work, we assimilate HS observations from an in situ network of 295 stations covering the French Alps, Pyrenees, and Andorra, over the period 2009-2019.In view of assimilating such observations into a spatialized snow cover modeling framework, we investigate whether such observations can be used to correct neighboring snowpack simulations.We use CrocO, an ensemble data assimilation framework of snow cover modeling, based on a particle filter suited to the propagation of information from observed to unobserved areas.This ensemble system already benefits from meteorological observations, assimilated within SAFRAN analysis scheme.CrocO also proposes various localization strategies to assimilate snow observations.These approaches are evaluated in a leave-one-out setup against the operational deterministic model and its ensemble open-loop counterpart, both running without HS assimilation.Results show that an intermediate localization radius of 35-50 km yields a slightly lower root mean square error (RMSE), and a better spread-skill than the strategy of assimilating all the observations from a whole mountain range.Significant continuous ranked probability score (CRPS) improvements of about 13 % are obtained in the areas where the open-loop modeling errors are the largest, e.g., the Haute-Ariège, Andorra, and the extreme southern Alps.Over these areas, weather station observations are generally sparser, resulting in more uncertain meteorological analyses and, therefore, snow simulations.In situ HS observations thus show an interesting complementarity with meteorological observations to better constrain snow cover simulations over large areas.
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 | 0,003 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,018 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,118 | 0,091 |
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 ».