Notice bibliographique
Résumé
Abstract. Accurate estimation of snow water equivalent (SWE) over high mountainous regions is essential to support water resource management. Due to the sparse distribution of in situ observations, models have been used to estimate SWE. However, the influence of horizontal resolution on the accuracy of simulations remains poorly understood. This study evaluates the potential of the Weather Research and Forecasting (WRF) model at horizontal resolutions of 9, 3 and 1 km to estimate the daily values of SWE over the mountainous South Saskatchewan River Basin (SSRB) in Western Canada, for a representative water year, 2017–18. Results show an accumulation period from October 2017 to the annual peak in April 2018, followed by a melting period to the end of water year. All WRF simulations tend to underestimate annual SWE, with largest biases (up to 58 kg/m2, i.e. relatively 24 %) at higher elevations and coarser horizontal resolution. The two higher-resolution simulations capture the magnitude (and timing) of peak SWE very accurately, with only a 3 to 6 % low bias for 1 km and 3 km simulations, respectively. This demonstrates that a 3 km resolution may be appropriate for estimating SWE accumulation across the region. A relationship is identified between model elevation bias and SWE biases, suggesting that the smoothing of topographic features at lower horizontal resolution leads to lower grid cell elevations, warmer temperatures, and lower SWE. Overall, high resolution WRF simulations can provide reliable SWE values as an accurate input for hydrologic modeling over a sparsely monitored mountainous catchment.
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 | 0,002 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,020 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,191 | 0,139 |
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 ».