Notice bibliographique
Résumé
Abstract. Accurate knowledge of snow depth distributions in forested regions is crucial for applications in hydrology and ecology. Understanding and assessing the effect of vegetation and topographic conditions on the snow depth variability is useful for the accurate prediction of snow depths. In this study, the spatial distribution of snow depth in two agro-forested sites and one coniferous site in eastern Canada was analyzed for topographic and vegetation effects on snow accumulation. Spatially distributed snow depths were derived by Unmanned Aerial Vehicle Light Detection and Ranging (UAV-lidar) surveys conducted in 2019 and 2020. Distinct patterns of snow accumulation and erosion in open areas (fields) versus adjacent forested areas were observed in lidar-derived snow depth maps at all sites. Omnidirectional semi-variogram analysis of snow depths showed the existence of a scale break distance less than 10 m in the forested area at all three sites, whereas open areas showed scale invariance or comparatively large scale break distances (i.e., 18 m). The effect of vegetation and topographic variables on the spatial variability of snow depths at each site was investigated with random forest models. Results show that including wind-related forest edge proximity effects improved the model accuracy by more than 50 % in agro-forested sites, whereas incorporating canopy characteristics improved the model accuracy by more than 60 % in the coniferous site. Hence the underlying topography and the wind-redistribution of snow along forest edges govern the snow depth variability at agro-forested sites, while forest structure variability dominates snow depth variability in the coniferous environment. These results highlight the importance of including and better representing these processes in process-based models for accurate estimates of snowpack dynamics. This study also demonstrates the usefulness of UAV-lidar to resolve and understand high-resolution snow depth heterogeneity in agro-forested environments and boreal forests.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,029 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,285 | 0,244 |
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 ».