Upscaling Snow Accumulation and Ablation Using Machine Learning
Notice bibliographique
Résumé
Abstract Hydrologic processes in snowmelt dominated systems are traditionally measured and understood at the point scale. However, snowmelt, sublimation, and snowfall rates exhibit significant spatial variability across larger landscapes. These variations are influenced by local atmospheric and terrain characteristics, which control the deviations between small‐scale measurements and areally averaged responses to spatially heterogeneous mass and energy inputs. Appropriate upscaling relations are needed to translate small‐scale descriptions of snow processes into constitutive relationships that are applicable at larger scales. As a proof of concept, this study examines the temporal and spatial variability of sublimation and snowmelt fluxes in a drainage basin in the Canadian Rockies using machine learning methods. Raven, a hydrological model, generates high‐resolution fluxes and state variables used to train a random forest algorithm. The random forest (RF) algorithm is then applied to estimate coarse resolution fluxes. This study involves estimating spatially averaged results from discretized fine‐scaled models without explicit knowledge of detailed local response, both with and without low‐order statistics of state (e.g., the standard deviation of snow water equivalent). A series of experiments are used to verify that the upscaling methodology can successfully represent the impact of heterogeneity within the system. Spatially averaged forcing estimated from the scale‐appropriate machine learning model is then incorporated into a mass balance equation at a coarse resolution to demonstrate the efficacy of this upscaling methodology.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».