Comparison of five snow water equivalent estimation methods across categories
Notice bibliographique
Résumé
Abstract Snow water equivalent (SWE) is an important indicator used in hydrology, water resources, and climate change impact. There are various methods of estimating SWE (falling in 3 categories: indirect sensors, empirical models, and process‐based models), but few studies that provide comparison across these different categories to help users make decisions on monitoring site design or method selection. Five SWE estimation methods were compared against manual snow course data collected over 2 years (2015–2016) from the Dorset Environmental Science Centre, including the gamma‐radiation‐based CS725 sensor, 3 empirical estimation models (Sexstone snow density model, McCreight & Small snow density model, and a meteorology‐based model), and the University of British Columbia Watershed Model snow energy‐balance model. Snow depth, density, and SWE were measured at the Dorset Environmental Science Centre weather station in south‐central Ontario, on a daily basis over 6 winters from 2011 to 2016. The 2 snow density‐based models, requiring daily snow depth as input, gave the best performance (R2 of .92 and .92 for McCreight & Small and Sexstone models, respectively). The CS725 sensor that receives radiation coming from soil penetrating the snowpack provided the same performance (R2 = .92), proving that the sensor is an applicable method, although it is expensive. The meteorology‐based empirical model, requiring daily climate data including temperature, precipitation and solar radiation, gave the poorest performance (R2 = .77). The energy‐balance‐based University of British Columbia Watershed Model snow module, only requiring climate data, worked better than the empirical meteorology‐based model (R2 = .9) but performed worse than the density models or CS725 sensor. Given differences in application objectives, site conditions, and budget, this comparison across SWE estimation methods may help users choose a suitable method. For ongoing and new monitoring sites, installation of a CS725 sensor coupled with intermittent manual snow course measurements (e.g., weekly) is recommended for further SWE method estimation testing and development of a snow density model.
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 | 0,008 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 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 ».