Remote Sensing of 2000–2016 Alpine Spring Snowline Elevation in Dall Sheep Mountain Ranges of Alaska and Western Canada
Notice bibliographique
Résumé
The lowest elevation of spring snow (“snowline”) is an important factor influencing recruitment and survival of wildlife in alpine areas. In this study, we assessed the spatial and temporal variability of alpine spring snowline across major Dall sheep mountain areas in Alaska and northwestern Canada. We used a daily MODIS snow fraction product to estimate the last day of 2000–2016 spring snow for each 500-m pixel within 28 mountain areas. We then developed annual (2000–2016) regression models predicting the elevation of alpine snowline during mid-May for each mountain area. MODIS-based regression estimates were compared with estimates derived using a Normalized Difference Snow Index from Landsat-8 Operational Land Imager (OLI) surface reflectance data. We also used 2000–2009 decadal climate grids to estimate total winter precipitation and mean May temperature for each of the 28 mountain areas. Based on our MODIS regression models, the 2000–2016 mean May 15 snowline elevation ranged from 339 m in the cold arctic class to 1145 m in the interior mountain class. Spring snowline estimates from MODIS and Landsat OLI were similar, with a mean absolute error of 106 m. Spring snowline elevation was significantly related to mean May temperature and total winter precipitation. The late spring of 2013 may have impacted some sheep populations, especially in the cold arctic mountain areas which were snow-covered in mid-May, while some interior mountain areas had mid-May snowlines exceeding 1000 m elevation. We found this regional (>500,000 km2) remote sensing application useful for determining the inter-annual and regional variability of spring alpine snowline among 28 mountain areas.
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 ».