Impact of intercepted and sub-canopy snow microstructure on snowpack response to rain-on-snow events under a boreal canopy
Notice bibliographique
Résumé
Rain-on-snow events can cause severe flooding in snow-dominated regions. These are expected to become more frequent in the future as climate change shifts the precipitation from snowfall to rainfall. However, little is known about how winter rainfall interacts with an evergreen canopy and affects the underlying snowpack. In this study, we document 5 years of rain-on-snow events and snowpack observations at two boreal forested sites of eastern Canada. Our observations show that rain-on-snow events over a boreal canopy lead to the formation of melt–freeze layers as rainwater refreezes at the surface of the sub-canopy snowpack. They also generate frozen percolation channels, suggesting that preferential flow is favoured in the sub-canopy snowpack during rain-on-snow events. We then used the multi-layer snow model SNOWPACK to simulate the sub-canopy snowpack at both sites. Although SNOWPACK performs reasonably well in reproducing snow height (RMSE = 17.3 cm), snow surface temperature (RMSE = 1.0 °C), and density profiles (agreement score = 0.79), its performance declines when it comes to simulating snowpack stratigraphy, as it fails to reproduce many of the observed melt–freeze layers. To correct for this, we implemented a densification function of the intercepted snow in the canopy module of SNOWPACK. This new feature allows the model to reproduce 33 % more of the observed melt–freeze layers that are induced by rain-on-snow events. This new model development also delays and reduces the snowpack runoff. In fact, it triggers the unloading of dense snow layers with small rounded grains, which in turn produces fine-over-coarse transitions that limit percolation and favour refreezing. Our results suggest that the boreal vegetation modulates the sub-canopy snowpack structure and runoff from rain-on-snow events. Overall, this study highlights the need for canopy snow property measurements to improve hydrological models in forested snow-covered regions.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».