Measuring prairie snow water equivalent with combined UAV-borne gamma spectrometry and lidar
Notice bibliographique
Résumé
Abstract. Despite decades of effort, there remains an inability to measure snow water equivalent (SWE) at high spatial resolutions using remote sensing. Passive gamma ray spectrometry is one of the only well-established methods to reliably remotely sense SWE, but airborne applications to date have been limited to observing km-scale areal averages over shallow snowcovers. Noting the increasing capabilities of unoccupied aerial vehicles (UAVs) and miniaturization of passive gamma ray spectrometers, this study tested the ability of a UAV-borne gamma spectrometer and concomitant UAV-borne lidar to quantify the spatial variability of SWE at high spatial resolutions. Gamma and lidar observations from a UAV were collected over two seasons from shallow, wind-blown, prairie snowpacks in Saskatchewan, Canada with validation data collected from manual snow depth and density observations. The ability of UAV-gamma to resolve the areal average and spatial variability of SWE was promising with appropriate flight characteristics. Survey flights flown at a velocity of 5 m s-1, altitude of 15 m, and line spacing of 15 m were unable to capture the average or spatial variability of SWE within the uncertainty of the reference dataset. Slower, lower, and denser flight lines at a velocity of 4 m s-1, altitude of 8 m, and line spacing of 8 m were able to successfully observe areal average SWE and its variability at spatial resolutions greater than 22.5 m. Using a combination of UAV-based gamma SWE and UAV-based lidar snow depth improved the results substantially and permitted estimation of SWE at a spatial resolution of greater than 0.25 m with a ±14.3 mm SWE error relative to manual snow survey density and UAV-lidar based depths to estimate SWE. UAV-borne gamma spectrometry to estimate SWE is a promising and novel technique that has the potential to improve the measurement of shallow prairie snowpacks, and when combined with UAV-borne lidar snow depths, can provide high resolution, high accuracy estimates of prairie SWE. Research on optimal hardware, data processing, and interpolation techniques is called for to further improve this remote sensing product and explore its application in other environments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».