Évaluation de la précision de simulations du couvert neigeux par SNOWPACK à partir de données météorologiques in-situ et de prévision dans différents contextes climatiques des régions montagneuses canadiennes
Bibliographic record
Abstract
Depuis les années 1990, environ 12 personnes par année sont tuées des suites d’une avalanche, ce qui en fait maintenant la principale cause de décès liés aux catastrophes hivernales au Canada (Stethem, 2003). Comme l'intérêt pour les activités de plein air telles que la randonnée, la motoneige et le ski de randonnée dans les régions éloignées augmente, l’amélioration de la prévision des avalanches à l'échelle régionale est nécessaire afin d’assurer la sécurité des usagers de l’arrière-pays. La logistique et les mesures de sécurité étant importantes lors de déplacements dans l’arrière-pays, les observations du couvert neigeux (observations d'avalanches, profils stratigraphiques et tests de stabilité) en terrain avalancheux ne sont pas toujours possibles pour les praticiens et prévisionnistes du milieu. Une alternative intéressante est d'analyser le manteau neigeux à distance en utilisant les sorties de modèles physiques de simulation du couvert neigeux. SNOWPACK, un modèle développé par l'Institut WSL sur la neige et les avalanches (SLF) en Suisse, est actuellement utilisé de manière opérationnelle pour la prévision d'avalanches et la recherche dans les Alpes suisses. Le projet vise à adapter SNOWPACK aux différentes conditions météorologiques dans les montagnes canadiennes (climat parfois côtier, transitionnel ou continental) et à l’utiliser dans le contexte de gestion de la prévention d’avalanches d’Avalanche Canada afin d’améliorer les prévisions à l’échelle régionale de la stabilité du couvert neigeux. Ce mémoire présente les traitements et analyses qui ont été menés pour évaluer le potentiel d'utilisation du modèle SNOWPACK forcé à la fois avec des données météorologiques in-situ et des données météorologiques de réanalyses. La validation des données de réanalyses avec les données in-situ pour les hivers de 2013-2014 et de 2014-2015 montre que le modèle météorologique GEM-LAM (Global Environmental Multiscale Limited Area Model) du Centre Météorologique Canadien (CMC) est le plus précis pour les trois contextes climatiques du projet. Un biais sur les données de précipitation proportionnel à l’intensité de celles-ci a toutefois également été identifié. Les sorties des simulations forcées avec GEM-LAM sont les plus proches des mesures observées sur le terrain en ce qui a trait aux indices de densité et de température relative moyenne, montrant des R² supérieurs et des valeurs de RMSE plus faibles. Finalement, l’analyse qualitative de la présence de couches faibles persistantes à l'aide de la plate-forme InfoEX d’Avalanche Canada montre un accord entre les dates de formation de croûte de regel et de givre de surface et les sorties du modèle SNOWPACK, confirmant son potentiel pour une adaptation canadienne.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".