Determining snow water equivalent by acoustic sounding
Notice bibliographique
Résumé
Abstract The possibility of determining snow water equivalent (SWE) by the use of an acoustic impulse was assessed at two field locations in Saskatchewan and British Columbia, Canada. These sites represent cold windswept prairie and temperate deep mountain snowcovers. A continuous frequency‐swept acoustic wave was sent into the snowpack and received. Signal processing was then subsequently used to estimate the depth and density of each snow layer by a recursive relationship involving frequency‐modulated continuous‐wave (FMCW) radar and seismological techniques. From this method, it is also shown that the tortuosity of snow can be estimated. Data collected by gravimetric sampling was used as comparison to the SWE values determined by the use of acoustic sounding. The results showed that for the Saskatchewan sites, the correlation between the measured and the modeled values of SWE was 0·86, whereas at the British Columbia sites, the correlation was 0·78. The difference in the correlations was interpreted as being due to additional acoustic measurement error at the British Columbia sites caused by higher liquid water contents and more layers in the snowpack. The measured and the modeled SWE for Saskatchewan snowpacks with high liquid water contents were found to be weakly associated with correlations of 0·30. The acoustically‐determined values of tortuosity were close to unity (α ≈ 1), which is in agreement with the values characteristic of snow as a porous substance. Further research is necessary to determine whether this technique can be applied to snow in other environmental conditions. Copyright © 2007 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) | 0,003 | 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 ».