Development of a Gridded North American Monthly Snow Depth and Snow Water Equivalent Dataset for GCM Validation
Notice bibliographique
Résumé
Accurate simulation of large-scale spatial and temporal variations in snow cover is important for global climate models (GCM) as snow influences the climate system through both direct (e.g. albedo) and indirect (e.g. soil moisture) feedbacks. A snow depth analysis scheme developed by Brasnett (1999) and employed operationally at the Canadian Meteorological Center (CMC), was applied to develop a detailed monthly mean snow depth dataset for North America for validating GCM snow cover simulations for the AMIP II (Atmospheric Model Intercomparison Project) period (1979-1996). An extensive database of daily snow depth observations from U.S. cooperative stations and Canadian climate stations was assembled, which provided ~8000 observations/day to the analysis. The first-guess field used a simple accumulation, aging and melt model driven by 6-hourly values of air temperature and precipitation from the European Centre for Medium-range Weather Forecasting (ECMWF) ERA-15 Reanalysis with extensions from the TOGA operational data archive. The snow depth analysis was run at a 1/3º resolution and incorporated the effect of topography to screen out unrepresentative stations. Results from the first run of the analysis revealed several improvements over the existing snow depth climatology of Foster and Davy (1988). An improved snow aging scheme is required to replicate observed snow density information, and provide reliable estimates of snow water equivalent. This will be incorporated in a second analysis run.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,005 | 0,002 |
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 ».