Mixed effects regression for snow distribution modelling in the central Yukon
Notice bibliographique
Résumé
To date, remote sensing estimates of snow water equivalent (SWE) in mountainous areas are very uncertain. To test passive microwave algorithm estimations of SWE, a validation data set must exist for a broad geographic area. This study aims to build a data set through field measurements and statistical techniques, as part of the Canadian IPY observations theme to help develop an improved algorithm. Field measurements are performed at, GIS based, pre-selected sites in the Central Yukon. At each location a transect was taken, with sites measuring snow depth (SD), density, and structure. A mixed effects multiple regression was chosen to analyze and then predict these field measurements over the study area. This modelling strategy is best capable of handling the hierarchical structure of the field campaign. \nA regression model was developed to predict SD from elevation derived variables, and transformed Landsat data. The final model is: SD = horizontal curvature + cos( aspect) + log10(elevation range, 270m) + tassel cap: greenness, brightness (from Landsat imagery) + interaction of elevation and landcover.This model is used to predict over the study area. A second, simpler regression links SD with density giving the desired SWE measurements. The Root Mean Squared Error (RMSE) of this SD estimation is 25 cm over a domain of 200 x 200 km. \nThis instantaneous end of season, peak accumulation, snow map will enable the vali- dation of satellite remote sensing observations, such as passive microwave (AMSR-E), in a generally inaccessible area.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».