Characterization of non-Gaussianity in the snow distributions of various landscapes
Notice bibliographique
Résumé
Abstract. Seasonal snowpack is an important predictor of the water resources available in the following spring and early-summer melt season. Total basin snow water equivalent (SWE) estimation usually requires a form of statistical analysis that is implicitly built upon the Gaussian framework. However, it is important to characterize the non-Gaussian properties of snow distribution for accurate large-scale SWE estimation based on remotely sensed or sparse ground-based observations. This study quantified non-Gaussianity using sample negentropy; the Kullback–Leibler divergence from the Gaussian distribution for field-observed snow depth data from the North Slope, Alaska; and three representative SWE distributions in the western USA from the Airborne Snow Observatory (ASO). Snowdrifts around lakeshore cliffs and deep gullies can bring moderate non-Gaussianity in the open, lowland tundra of North Slope, Alaska, while the ASO dataset suggests that subalpine forests may effectively suppress the non-Gaussianity of snow distribution. Thus, non-Gaussianity is found in areas with partial snow cover and wind-induced snowdrifts around topographic breaks on slopes and on other steep terrain features. The snowpacks may be considered weakly Gaussian in coastal regions with open tundra in Alaska and alpine and subalpine terrains in the western USA if the land is completely covered by snow. The wind-induced snowdrift effect can potentially be partitioned from the observed snow spatial distribution guided by its Gaussianity.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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 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 ».