Snow accumulation over the world's glaciers (1981-2021) inferred from climate reanalyses and machine learning
Notice bibliographique
Résumé
The scarcity and limited accuracy of snow and precipitation observation and estimation in high-mountain regions reduce our understanding of climatic-cryospheric processes. Thus, we compared the snow water equivalent (SWE) from winter mass balance observations of 95 glaciers distributed over the Alps, Canada, Central Asia and Scandinavia, with the cumulative gridded precipitation data from the ERA-5 and the MERRA-2 reanalysis products. We propose a machine learning model to downscale the gridded precipitation from the reanalyses to the altitude of the glaciers. The machine learning model is a gradient boosting regressor (GBR), which combines several meteorological variables from the reanalyses (air temperature and relative humidity are also downscaled to the altitude of the glaciers) and topographical parameters. Among the most important variables selected by the GBR model, are the downscaled relative humidity and the downscaled air temperature. These GBR-derived estimates are evaluated against the winter mass balance observations by means of a leave-one-glacier-out cross-validation (site-independent GBR) and a leave-one-season-out cross-validation (season-independent GBR). The estimates downscaled by the GBR show lower biases and higher correlations with the winter mass balance observations than downscaled estimates derived with a lapse-rate-based approach. Finally, the GBR estimates are used to derive SWE trends between 1981 and 2021 at high-altitudes. The trends obtained from the GBRs are more enhanced than those obtained from the gridded precipitation of the reanalyses. When the data is regrouped regionwide, significant trends are only observed for the Alps (positive) and for Scandinavia (negative), while significant positive or negative trends are observed in all the regions when looking locally at single glaciers and specific elevations. Positive (negative) SWE trends are typically observed at higher (lower) elevations, where the impact of rising temperatures is less (more) dominating.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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 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 ».