Analyzing the sensitivity of a blowing snow model (SnowPappus) to precipitation forcing, blowing snow, and spatial resolution
Notice bibliographique
Résumé
Abstract. Accurate snow cover modeling is a high-stakes issue for mountain regions. Alpine snow evolution and spatial variability result from a multitude of complex processes including interactions between wind and snow. The SnowPappus blowing snow model was designed to add blowing snow modeling capabilities to the SURFEX/Crocus simulation system for applications across large spatial and temporal extents. This paper presents the first spatialized evaluation of this simulation system over a 902 km2 domain in the French Alps. Here we compare snow cover simulations to the spatial distribution of snow height obtained from Pléiades satellites stereo imagery and to snow melt-out dates from Sentinel-2 and Landsat 8 time series over three snow seasons. We analyzed the sensitivity of the simulations to three different precipitation datasets and two horizontal resolutions. The evaluations are presented as a function of elevation and landform types. The results show that the SnowPappus model forced with high-resolution wind fields enhances the snow cover spatial variability at high elevations allowing a better agreement between observed and simulated spatial distributions above 2500 m and near peaks and ridges. Model improvements are not obvious at low to medium altitudes where precipitation errors are the prevailing uncertainty. Our study illustrates the necessity to consider error contributions from blowing snow, precipitation forcings, and unresolved subgrid variability for robust evaluations of spatialized snow simulations. Despite the significant effect of the unresolved spatial scales of snow transport, 250 m horizontal-resolution snow simulations using SnowPappus are found to be a promising avenue for large-scale modeling of alpine snowpacks.
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 | 0,001 | 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 | 0,000 | 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 ».