Patterns and Trend Analysis of Rain-on-Snow Events using Passive Microwave Satellite Data over the Canadian Arctic Archipelago Since 1987
Notice bibliographique
Résumé
Abstract Climate change has a profound effect on Arctic meteorology extreme events, such as rain-on-snow (ROS), which affects surface state variable spatial and temporal variability. Passive microwave satellite images can help detect such events in polar regions where local meteorological and snow information is scarce. In this study, we use a detection algorithm using high-resolution passive microwave data to monitor spatial and temporal variability of ROS over the Canadian Arctic Archipelago from 1987 to 2019. The method is validated using data from several meteorological stations and atmospheric corrections have been applied to the passive microwave dataset. Our approach to detect ROS is based on two methods: 1) over a fixed time period (i.e., 1 November–31 May) throughout the study period and 2) using an a priori detection for snow presence before applying our ROS algorithm (i.e., length of studied winter varies yearly). Event occurrence is analyzed for each winter and separated by island groups of the Canadian Arctic Archipelago. Results show an increase in absolute ROS occurrence, mainly along the coasts, although no statistically significant trends are observed. Significance Statement Rain-on-snow (ROS) is known to have significant consequences on vegetation and fauna, especially widespread events. This study aimed to use a recent high-resolution dataset of passive microwave observations to investigate spatial and temporal trends in ROS occurrence in the Arctic. Results show that a global increase in event occurrence can be observed across the arctic.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 tête enseignante, 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 ».