Comment on egusphere-2025-1498
Notice bibliographique
Résumé
Abstract. Sophisticated snowpack models are required to provide accurate estimation of snowpack properties across the forest-tundra ecotone where in situ measurements are sparse. As snowpack properties strongly influence radar scattering signals, accurate simulation is crucial for the success of spaceborne radar missions to retrieve snow water equivalent (SWE). In this study, we evaluate the ability of default and Arctic versions of Crocus embedded within the Soil, Vegetation and Snow version 2 (SVS2-Crocus) land surface model to simulate snowpack properties (e.g. depth, density, SWE, specific surface area; SSA) across a 40-km transect of the Northwest Territories, Canada, using two winter seasons (2021–22 & 2022–23) of in situ measurements. An ensemble of simulated snowpack properties (120 members from default and Arctic SVS2-Crocus) was used in the Snow Microwave Radiative Transfer (SMRT) model to simulate Ku-band (13.5 GHz) backscatter. Modelled backscatter using multi-layer SVS2-Crocus snowpack simulations were compared to backscatter using a simplified 3-layer radar-equivalent snowpack. Results highlight that Arctic SVS2-Crocus wind-induced compaction modifications were spatially transferable across the forest-tundra ecotone, reducing the RMSE of surface density by an average of 29 %. Basal vegetation modifications were less effective in simulating low-density basal snow layers at all sites (2022 & 2023; default RMSE: 67 kg m-3; Arctic RMSE: 69 kg m-3) but were necessary to simulate a physically representative Arctic density profile. SVS2-Crocus underestimated SSA leading to high errors in the simulation of snow backscatter (2022 & 2023; default RMSE 3.5 dB; Arctic RMSE: 4.8 dB). RMSE of backscatter was reduced by implementing a minimum SSA value (8.7 m2 kg-1; 2022 & 2023; default RMSE: 1.5 dB; Arctic RMSE: 1.5 dB). A radar-equivalent snowpack was effective in retaining the scattering behaviour of the multi-layer snowpack (RMSE < 1 dB) providing a means to estimate SWE with increased computational efficiency.
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 | 0,007 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,012 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,513 | 0,348 |
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 ».