Evaluation and improvement of the PIEKTUK blowing snow model on the Canadian Prairies and Arctic
Notice bibliographique
Résumé
Blowing snow is an impoftant part of Canadian's lives.Accurate forecasting of blowing snow events and their visibility can be an irnportant factor for the safety of Canadians.The PIEKTUK blowing snow model can be used to predict the occurrence of blowing snow, and to predict the visibility during an event.During an initial analysis, the model appeared to predict the occurrence of blowing snow very accurately, but once null weather events were renìoved, the model over-predicted more events than it correctly forecast.In an attempt to irnprove the forecasting capabilities of the model, the calculation for the threshold wind speed was tested by increasing and decreasing the constant coefficient in the equation incrementally to see if another value was optimal.For most stations, increasing the constant by 1 to 5 improved the forecasting of blowing sno\¡/ events over the original version.More consistent improvements were found in Prairie and Arctic regions than in Forest or Mountain regions.The influence of wind direction was also added into the model, and the results were analyzed for one Prairie station and one Arctic station.Minimal improvement was observed for Winnipeg, and none for Baker Lake.The predictions made by PIEKTUK were also compared to data recorded during the CASES project.Unlike earlier conclusions, decreasing the constant by -2 was found to improve the model the most due to the smooth nature of the surface (snow coveled first-year sea ice).. iii
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».