Accuracy assessment of late winter snow depth mapping for tundra environments using Structure-from-Motion photogrammetry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Arctic tundra environments are characterized by a spatially heterogeneous end-of-winter snow depth resulting from wind transport and deposition. Traditional methods for measuring snow depth do not accurately capture such heterogeneity at catchment scales. In this study we address the use of high-resolution, spatially distributed, snow depth data for Arctic environments through the application of unmanned aerial systems (UASs). We apply Structure-from-Motion photogrammetry to images collected using a fixed-wing UAS to produce a 1 m resolution snow depth product across seven areas of interest (AOIs) within the Trail Valley Creek Research Watershed, Northwest Territories, Canada. We evaluated these snow depth products with in situ measurements of both the snow surface elevation (n = 8434) and snow depth (n = 7191). When all AOIs were averaged, the RMSE of the snow surface elevation models was 0.16 m (<0.01 m bias), similar to the snow depth product (UAS SD ) RMSE of 0.15 m (+0.04 m bias). The distribution of snow depth between in situ measurements and UAS SD was similar along the transects where in situ snow depth was collected, although similarity varies by AOI. Finally, we provide a discussion of factors that may influence the accuracy of the snow depth products including vegetation, environmental conditions, and study design.
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.
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 découle