Snow depth time series Generation: Effective simulation at multiple time scales
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.
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) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».