MétaCan
Menu
Retour à la cohorte
Enregistrement W4401656993 · doi:10.1029/2023wr036948

Snowdrift‐Permitting Simulations of Seasonal Snowpack Processes Over Large Mountain Extents

2024· article· en· W4401656993 sur OpenAlexafffundabout
Christopher B. Marsh, Zhibang Lv, Vincent Vionnet, Phillip Harder, Raymond J. Spiteri, John W. Pomeroy

Notice bibliographique

RevueWater Resources Research · 2024
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensGlobal Institute for Water SecurityGovernment of AlbertaUniversity of SaskatchewanEnvironment and Climate Change Canada
Organismes subventionnairesGlobal Water FuturesNatural Sciences and Engineering Research Council of CanadaAlberta Innovates
Mots-clésSnowpackSnowEnvironmental scienceGeologyClimatologyHydrology (agriculture)MeteorologyAtmospheric sciencesGeomorphologyGeographyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract The melt of seasonal snowpack in mountain regions provides downstream river basins with a critical supply of freshwater. Snowdrift‐permitting models have been proposed as a way to accurately simulate snowpack heterogeneity that stems from differences in energy inputs, over winter redistribution, sublimation, melt, and variations in precipitation. However, these spatial scales can be computationally intractable for large extents. In this work, the multiscale Canadian Hydrological Model (CHM) was applied to simulate snowpacks at snowdrift‐permitting scales (≈50 m) across the Canadian Cordillera and adjacent regions (1.37 million km2) forced by downscaled atmospheric data. The use of a multiscale land surface representation resulted in a reduction of computational elements of 98% while preserving land‐surface heterogeneity. CHM includes complex terrain windflow and radiative transfer calculations, lapses temperature, humidity, and precipitation with elevation, redistributes snow by avalanching, wind transport and forest canopy interception and calculates the energetics of canopy and surface snowpacks. Model outputs were compared to a set of multiscale observations including snow‐covered area (SCA) from Sentinel and Landsat imagery, snow depth from uncrewed aerial system lidar, and point surface observations of depth and density. Including snow redistribution and sublimation processes improved the summer SCA r2 from 0.7 to 0.9. At larger scales, inclusion of snow redistribution processes delayed full snowpack ablation by an average of 33 days, demonstrating process emergence with scale. These simulations show how multiscale modeling can improve snowpack predictions to support prediction of water supply, droughts, and floods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,691
Score d'incertitude au seuil0,623

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,329
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetCryospheric studies and observationsTravaux en français237 207