Snow depth time series Generation: Effective simulation at multiple time scales
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Snow depth (SD) is a crucial variable of the water, energy, and nutrient cycles, impacting water quantity and quality, the occurrence of floods and droughts, snow-related hazards, and sub-surface ecological functions. As a result, quantifying SD dynamics is crucial for several scientific and practical applications. Ground measurements of SD provide information at sparse locations, and mechanistic land model simulations provide information at relatively coarse spatial resolutions. An approach to complement this information is using stochastic models that generate time series of hydroclimatic variables, preserving their statistical properties in a computationally-effective manner. However, stochastic generation methods to produce SD time series exclusively do not exist in the literature. Here, we apply a stochastic model to produce daily SD time series at 448 stations in Canada. We show that the model captures key statistical properties of the observed records, including the daily distributions of zero and non-zero SD, temporal clustering (i.e., autocorrelation), and seasonal patterns. The model also excelled in capturing the observed higher-order L-moments at multiple temporal scales, with biases between simulated and observed L-skewness and L-kurtosis within (-0.1, +0.1) for 93.0 % and 98.3 % of the stations, respectively. The stochastic modelling approach introduced here advances the generation of SD time series, which are needed to test Earth-system models and assess the risk of snowmelt flooding that lead to severe damage and fatalities.
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.
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 | 0,000 |
| 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) | 0,002 | 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 découle