Northern Hemisphere in situ snow water equivalent dataset (NorSWE, 1979–2021)
Notice bibliographique
Résumé
In situ observations of snow water equivalent (SWE) are critical for climate applications and resource management, yet there is no global database of in situ SWE observations. Here, we present the Northern Hemisphere in situ snow water equivalent dataset (NorSWE), consisting of over 11.5 million SWE observations from more than 10 000 different locations across the Northern Hemisphere spanning the modern satellite era (1979–2021). NorSWE builds on an existing framework applied to Canadian data (CanSWE; Vionnet et al., 2021). It includes SWE observations from manual snow courses covering Canada, the United States, Norway, Finland, and Russia and from automated sensors (snow pillows, snow scales, and automated passive gamma radiation sensors) in Canada, the United States, Norway, and Nepal. Airborne passive gamma SWE estimates provide additional coverage over North America. Exceptionally, to expand coverage over Europe, we also include single-point manual SWE observations from 11 sites in Switzerland. In addition to SWE, snow depth (SD) and derived bulk snow density are included when available. A consistent quality control is applied to all records, and the final dataset is delivered as a single NetCDF file that is publicly available at https://doi.org/10.5281/zenodo.15263370 (Mortimer and Vionnet, 2025).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,010 |
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 ».