Comparison of manual snow water equivalent (SWE) measurements: seeking the reference for a true SWE value in a boreal biome
Notice bibliographique
Résumé
Abstract. Manual measurement of snow water equivalent (SWE) is still important today for several applications such as hydrological model validation. This measurement can be performed with different types of snow tube sampler or by a snow pit. Although these methods have been performed for several decades, there is an apparent lack of information required to have a consensus regarding the best reference for “true” SWE. We define and estimate the uncertainty and measurement error of different methods of snow pits and snow samplers used in a boreal biome. Analysis was based upon measurements taken over five consecutive winters (2016–2020) from the same flat and open area. This study compares two snow pit methods and three snow samplers. In addition to including the Standard Federal sampler (SFS), this study documents the first use of two new large diameter samplers, the Hydro-Québec sampler (HQS) and Université Laval sampler (ULS). Large diameter samplers had the lowest uncertainty (2.6 % to 4.0 %). Snow pit methods had higher uncertainty due to instruments (7.1 % to 11.4 %), close to that of the SFS (mean = 10.4 %). Given its larger collected snow volume for estimating SWE and its lower uncertainty, we posit that ULS represents the most appropriate method of reference for “true” SWE. By considering ULS as the reference in calculating mean bias error (MBE), different snow pit methods overestimated SWE by 16.6 % to 26.2 %, which was much higher than SFS (8.4 %). This study suggests that large diameter samplers are the best method for estimating “true” SWE in a boreal biome.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».