Random forests as a tool to understand the snow depth distribution and its evolution in mountain areas
Notice bibliographique
Résumé
Abstract The small scale distribution of the snowpack in mountain areas is highly heterogeneous, and is mainly controlled by the interactions between the atmosphere and local topography. However, the influence of different terrain features in controlling variations in the snow distribution depends on the characteristics of the study area. As this leads to uncertainties in high spatial resolution snowpack simulations, a deeper understanding of the role of terrain features on the small scale distribution of snow depth is required. This study applied random forest algorithms to investigate the temporal evolution of snow depth in complex alpine terrain using as predictors various topographical variables and in situ snow depth observations at a single location. The high spatial resolution (1 m x 1 m) snow depth distribution database used in training and evaluating the random forests was derived from terrestrial laser scanner (TLS) devices at three study sites, in the French Alps (2 sites) and the Spanish Pyrenees (1 site). The results show the major importance of two topographic variables, the topographic position index and the maximum upwind slope parameter. For these variables the search distances and directions depended on the characteristics of each site and the TLS acquisition date, but are consistent across sites and are tightly related to main wind directions. The weight of the different topographic variables on explaining snow distribution evolves while major snow accumulation events still take place and minor changes are observed after reaching the annual snow accumulation peak. Random forests have demonstrated good performance when predicting snow distribution for the sites included in the training set with R2values ranging from 0.82 to 0.94 and mean absolute errors always below 0.4 m. Oppositely, this algorithm failed when used to predict snow distribution for sites not included in the training set, with mean absolute errors above 0.8 m.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».