Using snow depth observation to provide insight into the quality of regional-scale snowpack simulations for avalanche forecasting
Notice bibliographique
Résumé
Abstract. The combination of numerical weather prediction and snowpack models has potential to provide valuable information about snow avalanche conditions in remote areas. However, the output of snowpack models is sensitive to precipitation inputs, which can be difficult to verify in mountainous regions. To examine how existing observation networks can help interpret the accuracy of snowpack models, we compared snow depths predicted by a weather-snowpack model chain with data from automated weather stations and manual observations. Data from the 2020–21 winter were compiled for 21 avalanche forecast regions across western Canada covering a range of climates and observation networks. To perform regional-scale comparisons, snowpack model simulations were run at select grid points from the HRDPS numerical weather prediction model to represent conditions at treeline elevations and observed snow depths were interpolated to the same locations. Snow depths in the Coast Mountain range were systematically overpredicted, while snow depths in many parts of the interior Rocky Mountain range were underpredicted. The impact of these biases had a greater impact on the simulated avalanche conditions in the interior ranges, where faceting was more sensitive to snow depth. To put the comparisons in context, the quality of the observations were assessed with uncertainties in the interpolations and by checking whether snow depth increases during stormy periods were consistent with the forecast avalanche hazard. While some regions had high quality observations, many regions had large uncertainties, suggesting in some situations the modelled snow depths could be more reliable than the observations. The analysis provides insights into the potential for validating weather and snowpack models with readily available observations, and for how avalanche forecasters can better interpret the accuracy of snowpack simulations.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».