High altitude outliers: when snow under-catch combined with altitudinal gradients yield unbelievable water balance results
Notice bibliographique
Résumé
Determining the precipitation actually fallen in mountainous basins may turn out to be a nightmare, even before applying one single hydrological model. One way to illustrate this is to look at the water balance of catchments affected by snow. Indeed, they may present unrealistic physical behaviours: annual runoff could be (much)\ngreater than annual estimated precipitation on the catchment, or at least, annual measured precipitation.\nWe point out two main difficulties about our monster: on one hand, the\nunderestimation at the gauge stations and, on the other hand, the altitudinal effect on precipitation. These two hydro-meteorological aspects are enhanced by the scarcer point measurements at high altitudes than in valleys. Besides, they are correlated:\nthe higher the altitude, the more uncertain the altitudinal gradients (low stations density) and the more important the underestimation of the precipitation (higher quantity of snow).\nIn order to improve our precipitation knowledge on mountainous catchments and to try to bring a solution about this monstrosity, we start our work by the determination of altitudinal gradients for air temperature. This meteorological data present the advantage to be more spatially homogeneous than the precipitation, and it will be\nvery useful in the correction of solid precipitation losses. Then we work on the determination of altitudinal gradient for precipitation, despite the probable importance of very local influences. Finally, we look at the possible corrections of the solid precipitation underestimation. We present our results on three countries: Switzerland, Sweden and Canada(Québec).
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».