Linear mixed modelling of snow distribution in the central Yukon
Notice bibliographique
Résumé
Abstract Remote sensing estimates of snow water equivalent (SWE) in mountainous areas are subject to large uncertainties. As a prerequisite for testing passive microwave algorithm estimations of SWE, this study aims to collect snow depth (SD) data and provide an understanding of its complex spatial structure as part of the Canadian International Polar Year observations theme. Snow accumulation, redistribution and ablation are controlled by processes that depend on a variety of topographic factors as well as land surface characteristics, which leads us to modelling SD as a function of proxy variables derived from digital elevation model and Landsat data. Field measurements were performed at 3924 locations compromising 184 sites in 50 transects over 2 years. These measurements were used to predict SD over the study area using a spatial linear mixed‐effects model, a model type capable of handling the hierarchical structure of the field data. The model, built using stepwise variable selection, uses as predictor variables transformed elevation, slope, the logarithm of slope, potential incoming solar radiation and its transform; the normalized difference vegetation index, and a transformed tasseled cap brightness from Landsat imagery. A second, simpler model links SD with density giving SWE. The cross‐validated root mean squared error of the SD distribution model was 14 cm around an overall mean of 80 cm over a domain of 250 × 250 km. This instantaneous end‐of‐season peak‐accumulation snow map will enable the validation of satellite remote sensing over a generally inaccessible area. Copyright © 2011 John Wiley & Sons, Ltd.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».