Notice bibliographique
Résumé
Abstract. This study presents a 35-year snow phenology record for the Yukon River Basin (YRB), developed using a Random Forest (RF) model at a 3.125 km resolution, capturing detailed trends in snowmelt onset and snowoff. The RF model, incorporating dynamic daily variables, improves upon traditional threshold-based methods by reducing sensitivity to transient thaw events and atmospheric noise. Model evaluation against station observations yielded a mean absolute error (MAE) of 11.6 days and a root mean square error (RMSE) of 14.9 days for snowmelt onset. For snowoff, the model achieved a MAE of 18.1 days and an RMSE of 21.3 days. This approach successfully mapped snow phenology across the diverse YRB landscape, providing valuable insight into how variations in snow cover align with regional climate patterns. Challenges such as sample bias due to limited ground-based data coverage highlight the need for expanding in-situ measurements, to improve model performance further. Trend analysis segmented by two timeframes, 1988–2005 and 2006–2023, revealed distinct climate impacts on snow phenology. During 1988–2005, high snowfall and stable temperatures resulted in hastened snowmelt onset and lengthened snowmelt durations, reflecting early-season snow abundance. In contrast, from 2006–2023, warming spring and summer temperatures corresponded with progressively earlier snowmelt onset and snowoff. These shifts in snowmelt patterns align with a lengthened snow-free season, indicating increasing influence of warmer temperatures on the snowpack. This RF-derived dataset provides an essential tool for tracking climate-driven snow changes, offering insights into hydrologic and ecologic dynamics in the YRB under accelerating climate change.
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 | 0,001 | 0,009 |
| 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 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,015 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,503 | 0,342 |
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 ».