Spatio-temporal reconstruction of winter glacier mass balance in the Alps, Scandinavia, Central Asia and western Canada (1981–2019) using climate reanalyses and machine learning
Notice bibliographique
Résumé
Spatio-temporal reconstruction of winter glacier mass balance is important for assessing long-term impacts of climate change. However, high-altitude regions significantly lack reliable observations, which is limiting the calibration of glaciological and hydrological models. Reanalysis products provide estimates of snow precipitation also for remote high-mountain regions, but this data come with inherent uncertainty, and assessing their biases is difficult given the low quantity and quality of available (long-term) in situ observations. In this study, we aim at improving knowledge on the spatio-temporal variations in winter glacier mass balance by exploring the combination of data from reanalyses and direct snow accumulation observations on glaciers using machine learning. We use the winter mass balance data of 95 glaciers distributed over the European Alps, western Canada, Central Asia and Scandinavia and compare them with the total precipitation from the ERA5 and the MERRA-2 reanalysis products during the snow accumulation seasons from 1981 until 2019. We develop and apply a machine learning model to adjust the precipitation from the reanalysis products along the elevation profile of the glaciers and consequently to reconstruct the winter mass balance in both space (for glaciers without observational data) and time (filling observational data gaps). The employed machine learning model is 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 using (i) independent glaciers (site-independent GBR) and (ii) independent accumulation seasons (season-independent GBR). Both approaches resulted in reduced biases and increased correlation between the precipitation of the original reanalyses and the winter mass balance data of the glaciers. Generally, the GBR models have also shown a good representation of the spatial (vertical elevation intervals) and temporal (years) variability of the winter mass balance on individual glaciers.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».