Quantifying snow water storage from aerial LiDAR surveys in eight Pacific coastal watersheds, British Columbia, Canada
Notice bibliographique
Résumé
While airborne Light Detection and Ranging (LiDAR) surveys are routinely used to measure snow volume in many types of mountain watersheds, those that are heavily forested and lie within maritime environments have been largely ignored to date. Here, we summarise our findings from a four-year study (2020-2023) of eight watersheds within the coastal rainforests of southwest British Columbia, which collectively represent an area of >330 km2. Aerial LiDAR surveys were conducted 3 to 5 times per year between March and June in order to measure snow depth across each watershed. Spatiotemporally-distributed snow density was estimated using a random forest model incorporating weather station data, LiDAR-derived metrics and in-situ snow density observations. At peak snow volume, we find typical mean catchment-wide snow water equivalent values of ~600-1200 mm, verified by a widespread field campaign consisting of > 25,000 in-situ measurements of snow depth and density. We show that, typically, ~60-90 % of the snow water volume is stored at mid-elevations of between 800 and 1500 m, where air temperatures are close to melting point and forest cover is prevalent, leaving the snowpack vulnerable to early seasonal melt onset and impacts due to forest management. We find that while peak measured snow volume typically represents ~20-40 % of surface runoff, providing an important buffer towards droughts within the region, snowmelt volumes can be insufficient to safeguard downstream water supply during extreme seasonal drought events. Overall, the results of this work provide valuable insights into the vulnerability of the snowpack in coastal maritime regions and the potential knock-on effects of a changing snowpack on regional water security.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».