Notice bibliographique
Résumé
Abstract. Snowmelt runoff serves both human needs and ecosystem services and is an important parameter in operational forecasting systems. Sentinel-1 Synthetic Aperture Radar (SAR) observations can estimate the timing of melt within a snowpack; however, these estimates have not been applied on large spatial scales. We present here a workflow to fuse Sentinel-1 SAR and optical data from Landsat-8 and Sentinel-2 to estimate the onset and duration of snowmelt in the Lajoie Basin, a large watershed in the Southern Coast Mountains of British Columbia. A backscatter threshold is used to infer the point at which snowpack saturation occurs, and the snowpack begins to produce runoff. Multispectral imagery is used to estimate snow free dates across the basin to define the end of the snowmelt period. SAR estimates of snowmelt onset form consistent trends by elevation and aspect on the watershed scale and reflect snowmelt records from continuous SWE observations. SAR estimates of snowpack saturation are most effective on moderate to low slopes (< 30°) in open areas. The accuracy of snowmelt durations is reduced due to persistent cloud cover in optical imagery. Despite these challenges, snowmelt durations agree with trends in snow depths observed in the Lajoie. This approach has high potential for adaptability to other alpine regions and can provide estimates of snowmelt timing in ungauged basins.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,028 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,148 | 0,143 |
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 ».