Amélioration des simulations de densité du couvert neigeux par SNOWPACK pour l’évaluation des conditions de forage du caribou de Peary
Bibliographic record
Abstract
Le réchauffement climatique actuellement observé est accentué dans l’Arctique dû au phénomène d’amplification arctique, avec un taux quatre fois plus élevé qu’ailleurs sur la planète. L’amplification arctique provoque l’augmentation des précipitations et de la fréquence des évènements extrêmes hivernaux comme les redoux, la pluie-sur-neige et les tempêtes. Ces nouvelles conditions climatiques favorisent la densification de la neige de surface affectant considérablement les populations de caribou de Peary (Rangifer tarandus pearyi) de l’Archipel Arctique Canadien. La présence d’une couche de neige de surface très dense diminue ou empêche complètement l’accès aux ressources alimentaires de ces ongulés ce qui mène à des périodes de malnutritions pouvant causer la mort d’adultes et de juvéniles. L’évaluation à grande échelle de la densité des plaques à vent est essentielle, mais il est impossible d’y arriver avec des méthodes in situ. Le modèle de neige SNOWPACK peut être un outil puissant afin d’appuyer la prise de décision face à des sujets critiques comme la conservation des caribous de Peary. Cependant, les simulations actuelles surestiment systématiquement la densité de la couche basale de neige et sous-estiment la densité de la couche de neige superficielle alors que cette variable est indispensable pour qualifier les conditions de forage des caribous de Peary. L’objectif principal de ce projet de maîtrise vise donc l’amélioration de la paramétrisation des simulations de densité du modèle de neige SNOWPACK afin d’évaluer les conditions de forage du caribou de Peary. La validation météorologique effectuée dans le cadre de cette étude a motivé l’utilisation des prédictions HRDPS pour le forçage météorologique de SNOWPACK. Le développement d’une équation empirique a été exécuté en créant des modèles linéaire et logarithmique basés sur la relation entre la densité de la neige et la vitesse moyenne du vent. L’implémentation de l’équation empirique arctique améliore de 30 (HRDPS) et 44 % (NARR) les simulations de densité des plaques à vent dépendamment du type de forçage météorologique utilisé par SNOWPACK. D’un autre côté, l’analyse temporelle de l’ECD350 effectuée ne permet pas de tirer des conclusions claires au sujet de l’influence des changements climatiques sur la densité de la neige dans l’Arctique. Cependant, cette étude est la première à se concentrer sur la densité de la neige Arctique et sa variabilité spatio-temporelle. Elle a permis d’établir toutes les fondations nécessaires afin d’entreprendre et d’approfondir ces analyses, ouvrant ainsi la voie pour de futures recherches sur le sujet.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| 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) | 0.003 | 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".