Improving Predictions of Precipitation Phase over Canada with the Development of a Spatially Aware Parameterization of Rain/Snow Partitioning
Notice bibliographique
Résumé
Partitioning precipitation into rain or snow is an important aspect of hydrologic and \nclimatological modelling, affecting a wide variety of downstream processes (Harpold et al., \n2017). Current conventional methods typically rely on surface temperature, either as a \nstrict threshold or to inform a probability function which predicts a 0% chance of rain \nat one temperature to 100% chance of rain at another (Jennings et al., 2019, Feiccabrino \net al., 2015). However, recent studies have shown that variables such as wind, pressure, \nhumidity, and atmospheric profiles of temperature can all have a significant effect on pre- \ncipitation phase at the surface (Wang et al., 2019, Sims and Liu, 2015, Jennings et al., \n2018). This study utilized CloudSat data of precipitation phase and associated environ- \nmental variables ground-truthed at ECCC stations across Canada to build an improved \nstatistical parameterization of precipitation phase. Our results showed that using a ran- \ndom forest model with atmospheric profiles of wetbulb temperature in addition to surface \nwetbulb temperature, elevation, and wind resulted in a probability of detection of 97.8% \nacross the -1, 4°C temperature interval, compared to a probability of detection of below \n80% across the same interval for conventional methods. The random forest parameteri- \nzation was also spatially robust, performing well on stations it had not been trained on. \nAdditionally, adding Sturm’s snow classes as an indicator variable to the model did not \nresult in any significant improvement, indicating that a model trained on all available data \nis adequately able to capture spatial variability in rain-snow partitioning across the study \narea.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».