Snow accumulation over the world's glaciers (1981–2021) inferred from climate reanalyses and machine learning
Notice bibliographique
Résumé
Abstract. Although reanalysis products for remote high-mountain regions provide estimates of snow precipitation, this data is inherently uncertain and assessing a potential bias is difficult due to the scarcity of observations, thus also limiting their reliability to evaluate long-term effects of climate change. Here, we compare the winter mass balance of 95 glaciers distributed over the Alps, Western Canada, Central Asia and Scandinavia, with the total precipitation from the ERA-5 and the MERRA-2 reanalysis products during the snow accumulation seasons from 1981 until today. We propose a machine learning model to adjust the precipitation of reanalysis products to the elevation of the glaciers, thus deriving snow water equivalent (SWE) estimates over glaciers uncovered by ground observations and/or filling observational gaps. We use a gradient boosting regressor (GBR), which combines several meteorological variables from the reanalyses (e.g. air temperature, relative humidity) with topographical parameters. These GBR-derived estimates are evaluated against the winter mass balance data by means of a leave-one-glacier-out cross-validation (site-independent GBR) and a leave-one-season-out cross-validation (season-independent GBR). Both site-independent and season-independent GBRs allowed reducing (increasing) the bias (correlation) between the precipitation of the original reanalyses and the winter mass balance data of the glaciers. Finally, the GBR models are used to derive SWE trends on glaciers between 1981 and 2021. The resulting trends are more pronounced than those obtained from the total precipitation of the original reanalyses. On a regional scale, significant 41-year SWE trends over glaciers are observed in the Alps (MERRA-2 season-independent GBR: +0.4 %/year) and in Western Canada (ERA-5 season-independent GBR: +0.2 %/year), while significant positive/negative trends are observed in all the regions for single glaciers or specific elevations. Negative (positive) SWE trends are typically observed at lower (higher) elevations, where the impact of rising temperatures is more (less) dominant.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 ».