MétaCan
Menu
Retour à la cohorte
Enregistrement W4411044717 · doi:10.1038/s43247-025-02379-x

Thin and ephemeral snow shapes melt and runoff dynamics in the Peruvian Andes

2025· article· en· W4411044717 sur OpenAlexaff
Catriona Fyffe, Emily Potter, Evan Miles, Thomas E. Shaw, Michael McCarthy, Andrew Orr, Edwin Loarte, Katy Medina, Simone Fatichi, Robert Hellström, Michel Baraër, Emilio Mateo, Alejo Cochachín, Matthew Westoby, Francesca Pellicciotti

Notice bibliographique

RevueCommunications Earth & Environment · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensÉcole de Technologie SupérieureUniversité du Québec à Montréal
Organismes subventionnairesConsejo Nacional de Ciencia, Tecnología e Innovación TecnológicaSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungNatural Environment Research CouncilEuropean Commission
Mots-clésEphemeral keySnowpackSnowSurface runoffGlacierHydrology (agriculture)Drainage basinWater cycleSnowmeltEnvironmental scienceCryospherePhysical geographyGeologyClimatologyGeomorphologyGeographyEcology

Résumé

récupéré en direct d'OpenAlex

The snow and glaciers of the Peruvian Andes provide vital water supplies in a region facing water scarcity and substantial glacier change. However, there remains a lack of understanding of snow processes and quantification of the contribution of melt to runoff. Here we apply a distributed glacio-hydrological model over the Rio Santa basin to disentangle the role of the cryosphere in the Andean water cycle. Only at the highest elevations (>5000 m a.s.l.) is the snow cover continuous; at lower elevations, the snowpack is thin and ephemeral, with rapid cycles of snowfall and melt. Due to the large catchment area affected by ephemeral snow, its contribution to catchment inputs is substantial (23% and 38% in the wet and dry season, respectively). Ice melt is crucial in the mid-dry season (up to 44% of inputs). Our results improve estimates of water fluxes and call for further process-based modelling across the Andes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,098
Score d'incertitude au seuil0,959

Scores Codex et Gemma par catégorie

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

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 Opus0,018
Tête enseignante GPT0,222
Écart entre enseignants0,203 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations8
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCommunications Earth & EnvironmentMême sujetCryospheric studies and observationsTravaux en français237 207