Leveraging Next‐Generation Satellite Remote Sensing‐Based Snow Data to Improve Seasonal Water Supply Predictions in a Practical Machine Learning‐Driven River Forecast System
Notice bibliographique
Résumé
Abstract Seasonal predictions of spring‐summer river flow volume (water supply forecasts, WSFs) are foundational to western US water management. We test a new space‐based remote sensing product, spatially and temporally complete (STC) MODSCAG fractional snow‐covered area (fSCA), as input for the Natural Resources Conservation Service (NRCS) operational US West‐wide WSF system. fSCA data were considered alongside traditional SNOTEL predictors, in both statistical and AI‐based NRCS operational hydrologic models, throughout the forecast season, in four test watersheds (Walker, Wind, Piedra, and Gila Rivers in California, Wyoming, Colorado, and New Mexico). Outcomes from over 200 WSF models suggest fSCA‐enabled accuracy gains are most consistent and explainable for short‐lead, late‐season forecasts (roughly 10%–25% improvements, typically), which in operational practice can be challenging as snowlines rise above in situ measurement sites. Gains are roughly proportional to how thoroughly spring‐summer runoff is dominated by snowmelt, and how poorly in situ networks monitor late‐season snowpack. fSCA also improved accuracy for long‐lead, early‐season forecasts, which are similarly problematic in WSF practice, but not for WSFs issued around the time of peak snow accumulation, when in situ measurements reasonably characterize mountain snowpack available for upcoming spring‐summer snowmelt. The AI‐based hydrologic model generally outperformed the statistical model and, in some cases, better‐capitalized on satellite remote sensing. Additionally, preliminary analyses suggest reasonable WSF skill in many cases using fSCA as the sole predictor, potentially useful in sparsely monitored regions; and that combining satellite and in situ products in data‐driven hydrologic models using genetic algorithm‐based predictor selection could help guide new SNOTEL site selection.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».