Advances in Snow Hydrology Using a Combined Approach of GNSS In Situ Stations, Hydrological Modelling and Earth Observation—A Case Study in Canada
Notice bibliographique
Résumé
The availability of in situ snow water equivalent (SWE), snowmelt and run-off measurements is still very limited especially in remote areas as the density of operational stations and field observations is often scarce and usually costly, labour-intense and/or risky. With remote sensing products, spatially distributed information on snow is potentially available, but often lacks the required spatial or temporal requirements for hydrological applications. For the assurance of a high spatial and temporal resolution, however, it is often necessary to combine several methods like Earth Observation (EO), modelling and in situ approaches. Such a combination was targeted within the business applications demonstration project SnowSense (2015–2018), co-funded by the European Space Agency (ESA), where we designed, developed and demonstrated an operational snow hydrological service. During the run-time of the project, the entire service was demonstrated for the island of Newfoundland, Canada. The SnowSense service, developed during the demonstration project, is based on three pillars, including (i) newly developed in situ snow monitoring stations based on signals of the Global Navigation Satellite System (GNSS); (ii) EO snow cover products on the snow cover extent and on information whether the snow is dry or wet; and (iii) an integrated physically based hydrological model. The key element of the service is the novel GNSS based in situ sensor, using two static low-cost antennas with one being mounted on the ground and the other one above the snow cover. This sensor setup enables retrieving the snow parameters SWE and liquid water content (LWC) in the snowpack in parallel, using GNSS carrier phase measurements and signal strength information. With the combined approach of the SnowSense service, it is possible to provide spatially distributed SWE to assess run-off and to provide relevant information for hydropower plant management in a high spatial and temporal resolution. This is particularly needed for so far non, or only sparsely equipped catchments in remote areas. We present the results and validation of (i) the GNSS in situ sensor setup for SWE and LWC measurements at the well-equipped study site Forêt Montmorency near Quebec, Canada and (ii) the entire combined in situ, EO and modelling SnowSense service resulting in assimilated SWE maps and run-off information for two different large catchments in Newfoundland, Canada.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».