Comparing Mountain Snowpack Depth Model Results from Different Airborne Laser Scanning Flight Path Samples
Notice bibliographique
Résumé
The objective of this study is to evaluate the performance of an Airborne Laser Scanning (ALS) snow sampling strategy using two distinct flight paths within a mountainous watershed. Drivers of snow depth variability (canopy, elevation, topographic position index, aspect) were used to generate a classified snow accumulation unit (SAU) raster for the Westcastle watershed, Alberta (103 km2). A “Least Cost Path” (LCP) analysis and an “expert” three-transect selection (T3) were used to create two flight path scenarios that each sampled <18% of the watershed area and maximized the number of represented SAUs. Watershed “wall-to-wall” snow depth was predicted from the T3, LCP, and combined T3 + LCP sampling data using ESRI’s Forest Based Regression. The variance was ∼ 83% for each of the three FBR scenarios. However, validation of the watershed-wide observed versus FBR predicted snow depth at watershed-scale produced R2 = 0.72 and RMSE = 0.38 m for the combined T3 + LCP flight line and R2 = 0.66 (RMSE = 0.43 m) for T3 alone. The LCP sampling did not perform as well (R2 = 0.34, RMSE = 0.61 m), indicating grid cell-level SAU attributes need to be supplemented by latitudinal and longitudinal sampling that captures beyond grid cell-level hydro-climatological trends across the watershed. By flying sampling corridors, that capture land surface attributes representative of the spatial variability of snow depth, watershed-scale snow volumes can be predicted.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».