Advancing snow modelling across Canada from the Arctic to southern regions
Notice bibliographique
Résumé
The climate is changing rapidly in the Canadian Arctic and in southern regions in Canada such as the Great Lakes. We adapted the SNOWPACK model from traditional avalanche applications for the Canadian Artic and for two southern regions with moderate (Bay of Quinte, Ontario) to low snowfall (Wigle Creek, Ontario). We developed innovative tools to process large meteorological forcing data and to spatialize output. We also developed a downscaling tool (Outil de Spatialisation de SNOWPACK pour l’Arctique - OSSA) using changes in slope, which refined the spatial resolution of simulations by 45-fold. Our simulations in the Arctic demonstrated that icing events tripled across the Canadian Arctic Archipelago between 1979-2011. SNOWPACK simulations (1970s to 2020) for the Bay of Quinte focused on changes in snow parameters such as Snow Water Equivalent (SWE), which drives snow melt and flooding. Other parameters such as snow density will also be discussed. Simulations show a substantial change in SWE, especially after 2000. In the region with low snowfall (Wigle Creek), simulations of snow on and off will be presented.We will also illustrate how we advanced SNOWPACK model validation standards though a multi-pronged approach: 1) remote sensing data to validate snow spatial extent, 2) field measurements with sensors to quantify soil temperature feedback, 3) traditional snow pits to validate SWE, and 4) drones to measure snow height and SWE. Finally, we show that validation standards should be adapted to each region based on snowfall and snowmelt.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 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) | 0,002 | 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 ».