Modelling snowpack bulk density using snow depth, cumulative degree‐days, and climatological predictor variables
Notice bibliographique
Résumé
Abstract Snowpack water equivalent (SWE) is a key variable for water resource management in snow‐dominated catchments. While it is not feasible to quantify SWE at the catchment scale using either field surveys or remotely sensed data, technologies such as airborne LiDAR (light detection and ranging) support the mapping of snow depth at scales relevant to operational water management. To convert snow depth to water equivalent, models have been developed to predict SWE or snowpack density based on snow depth and additional predictor variables. This study builds upon previous models that relate snowpack density to snow depth by including additional predictor variables to account for (1) long‐term climatologies that describe the prevailing conditions influencing regional snowpack properties, and (2) the effect of intra‐ and inter‐year variability in meteorological conditions on densification through a cumulative degree‐day index derived from North American Regional Reanalysis products. A non‐linear model was fit to 114 506 snow survey measurements spanning 41 years from 1166 snow courses across western North America. Under spatial cross‐validation, the predicted densities had a root‐mean‐square error of 47.1 kg m −3 , a mean bias of −0.039 kg m −3 , and a Nash‐Sutcliffe Efficiency of 0.70. The model developed in this study had similar overall performance compared to a similar regression‐based model reported in the literature, but had reduced seasonal biases. When applied to predict SWE from simulated depths with random errors consistent with those obtained from LiDAR or Structure‐from‐Motion, 50% of the SWE estimates for April and May fell within −45 to 49 mm of the observed SWE, representing prediction errors of −15% to 20%.
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 | 0,001 | 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) | 0,001 | 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 ».