Subgridding High Resolution Numerical Weather Forecast in the Canadian Selkirk range for local snow modelling in a remote sensing perspective
Notice bibliographique
Résumé
Abstract. Snow Water Equivalent (SWE) is a key variable in climate and hydrology studies. Current SWE products mask out high topography areas due to the coarse resolution of the satellite sensors used. The snow remote sensing community is hence pushing towards active microwaves approaches for global SWE monitoring. However, designing a SWE retrieval algorithm is not trivial, as multiple combinations of snow microstructure representations and SWE can yield the same radar signal. The community is converging towards forward modeling approaches using an educated first guess on the snowpack structure. Yet, snow highly varies in space and time, especially in mountain environments where the complex topography affects atmospheric and snowpack state variables in numerous ways. Automatic Weather Stations (AWS) are too sparse, and high-resolution Numerical Weather Predictions systems have a maximal resolution of 2.5 km × 2.5 km, which is too coarse to capture snow spatial variability in a complex topography. In this study, we designed a subgridding framework for the Canadian High Resolution Deterministic Prediction System. The native 2.5 km × 2.5 km resolution forecast was subgridded to a 100 m × 100 m resolution and used as the input for snow modeling over two winters in Glacier National Park, British Columbia, Canada. Air temperature, relative humidity, precipitation and wind speed were first parameterized regarding elevation using six Automatic Weather Stations. Alpine3D was then used to spatialize atmospheric parameters and radiation input accounting for terrain reflections and perform the snow simulations. Modeled snowpack state variables relevant for microwave remote sensing were evaluated against profiles generated with Automatic Weather Stations data and compared to raw HRDPS driven profiles. Overall, the subgridding framework improves the optical grain size (OGS) bias by 0.04 mm, the density bias by 2.7 kg · m−3 and the modelled SWE by 17 % (up to 41 % in the best case scenario). Overall, this work provides the necessary basis for SWE retrieval algorithms using forward modeling in a Bayesian framework.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».