Estimation of snow water equivalent in mountainous terrain using airborne laser altimetry and empirical modelling, Coast Mountains, B.C., Canada
Notice bibliographique
Résumé
This research aims to enhance scholarly understanding of snow dynamics, the remotely sensed snowpacks, and the calculation of basin-wide snow water equivalent in mountainous terrain. Mountain snow is a critical source of meltwater. However, forecasting snow distributions and total water equivalence in mountain basins is limited due to complex terrain, challenging environmental conditions, and lack of observations. Laser altimetry can provide detailed observations of snow depth, but an estimate of snow density is required to evaluate the total basin water equivalence. This study uses laser altimetry surveys and empirically modelled snow densities to estimate mountainous basin-wide snow-water equivalent (SWE). Between 2017 and 2020, seven laser altimeter surveys during late winter and spring were conducted in the LaJoie Basin, Coast Mountains, British Columbia (B.C.), a strategic hydroelectric power reservoir. The laser-derived snow depths averaged between 1.4 and 2.1 m for non-glacierized terrain, while glacierized terrain weighted averages ranged between 2.2 and 5.4 m. The laser-derived depths were combined with empirical snow density models to derive distributed SWE for the Lajoie Basin. Ten linear and three non-linear snow density empirical models were tested and developed, from which (a) a snow course multi-parameter, non-linear relation and (b) snow pillow robust (Huber loss) linear regressions yielded this study’s lowest root mean squared errors (51.65 and 74.12 kg m-3, respectively). For non-glacierized terrain, the multi-parameter, non-linear model produced basin-wide SWE averages between 0.56 and 1.06 m.w.e. and propagated uncertainties from ± 0.1 to ± 0.14 m.w.e. Conversely, glacierized terrain exhibited weighted SWE averages between 0.82 and 2.93 m.w.e., with estimates of uncertainty ranging from ± 0.31 to ± 0.52 m.w.e. The robust linear regressions yielded non-glacierized SWE averages from 0.49 to 0.92 m.w.e., with uncertainties between ± 0.14 and ± 0.2 m.w.e. The weighted SWE averages in glacierized terrain ranged between 0.77 and 1.92 m.w.e., with estimates of uncertainty between ± 0.29 and ± 0.45 m.w.e. The SWE estimates from lidar and modelled density are comparable to snow pillow observations at the watershed, which demonstrates the effectiveness of these coupled techniques and improves our forecasting capabilities.,
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».