Mapping SWE in near real time across a large territory using a particle filter
Notice bibliographique
Résumé
In snow-prone regions, snowmelt is one of the main drivers of runoff. For operational flood forecasting and mitigation, the spatial distribution of snow water equivalent (SWE) in near real time is necessary. In this context, in situ observations of SWE provide a valuable information. Nonetheless, the high spatial variability of snowpack characteristics makes it necessary to implement some kind of snow modelling to get a spatially continuous estimation. Data assimilation is thus a useful approach to combine information from both observation and modeling in near real-time. For example, at the provincial government of Quebec (eastern Canada), the HYDROTEL Snowpack Model is applied on a daily basis over a 0.1 degree resolution mesh covering the whole province. The modelled SWE is corrected in real time by in situ manual snow survey which are assimilated using a spatial particles filter (Cantet et al., 2019). This assimilation method improves the reliability of SWE estimation at ungauged sites. The availability of manual snow surveys is however limited both in space and time. These measurements are conducted on a bi-weekly basis in a limited number of sites. In order to further improve the temporal and spatial observation coverage, alternative sources of data should be considered. In this research, it is hypothesized that data gathered by SR50 sonic sensors can be assimilated in the spatial particle filter to improve the SWE estimation. These automatic sensors provide hourly measurements of snow depth and have been deployed in Quebec since 2005. Beforehand, probabilistic SWE estimations were derived from the SR50 snow depth measurements using an ensemble of artificial neural networks (Odry et al. 2019). Considering the nature of the data and the conversion process, the uncertainty associated with this dataset is supposed larger than for the manual snow surveys. The objective of the research is to evaluate the potential interest of adding this lower-quality information in the assimilation framework. The addition of frequent but uncertain data in the spatial particle filter required some adjustments in term of assimilation frequency and particle resampling. A reordering of the particles was implemented to maintain the spatial coherence between the different particles. With these changes, the consideration of both manual snow surveys and SR50 data in the spatial particle filter reached performances that are comparable to the initial particle filter that combines only the model and manual snow survey for estimating SWE in ungauged sites. However, the addition of SR50 data in the particle filter allows for continuous information in time, between manual snow surveys. References: Cantet, P., Boucher, M.-A., Lachance-Coutier, S., Turcotte, R., Fortin, V. (2019). Using a particle filter to estimate the spatial distribution of the snowpack water equivalent. J. Hydrometeorol, 20. Odry, J., Boucher, M.-A., Cantet,P., Lachance-Cloutier, S., Turcotte, R., St-Louis, P.-Y. (2019). Using artificial neural networks to estimate snow water equivalent from snow depth. Canadian water ressources journal (under review)
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».