Monitoring Snow-Cover Depletion by Coupling Satellite Imagery with a Distributed Snowmelt Model
Notice bibliographique
Résumé
Many watersheds in Canada and in the northern United States see most of their precipitation in the form of snow. Many of these watersheds are the sites of important hydropower development projects. During snowmelt, watershed managers require information on snowpack depletion in order to optimize power production while minimizing flooding risk. In many cases, management techniques are based on simple correlations extracted from data collected in previous years or on inappropriate tools for data interpretation. Both of these factors can affect the reliability of forecasts and result in production losses or increased risk in downstream areas. This paper presents an approach to improve snowmelt forecasts. A simple distributed snowmelt model based on the degree-days approach is used to predict snowmelt based on weather forecasts. To improve forecasts, a feedback algorithm is presented that allows for real-time model adjustment using the integration of NOAA-AVHRR remote sensing data. A case study is presented based on a central Quebec watershed for the 1999 snowmelt season. This watershed is mostly under the management of Alcan Inc., which uses hydropower for the production of aluminum in its Jonquière, Que., Canada plant. A real-time simulation was carried out that resulted in a significant improvement of the timing of the flood peak forecast. With only one satellite image, the forecasting error of the flood peak was decreased by 5days (from 7 to 2) and reduced to less than 1day with the use of a second image, acquired 2days later. For this watershed, each one-day improvement in the timing of the peak flood forecast is worth tens of thousands of dollars in hydropower.
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 ».