Structural Similarity Guided Siamese U-Net Model for Detecting Changes in Snow Water Equivalent
Notice bibliographique
Résumé
Snow water equivalent (SWE), the amount of water generated when a snowpack melts, has been used to study the impacts of climate change on the cryosphere processes and snow cover dynamics during the winter season. In most analyses, high temporal resolution SWE and SD data are aggregated into monthly and yearly averages to detect and characterize change. Aggregating snow measurements, however, can magnify the modifiable aerial unit problem, resulting in differing snow trends at different temporal resolutions. Time series analysis of gridded SWE data holds the potential to unravel the impacts of climate change and global warming on daily, weekly, and monthly changes in snow during the winter season. Consequently, this research presents a high temporal resolution analysis of change in SWE across the cold regions of Canada. A Siamese UNet is developed by modifying the model’s last layer to incorporate the SSIM index. The similarity score from the SSIM index is passed to a contrastive loss function where the optimization process maximizes SSIM index values for a pair of similar SWE images and minimizes the values for a pair of dissimilar SWE images. The model predicts interannual SWE to decline steadily from 1979 – 2018, with March being the month in which the most significant change occurs (R2 = 0.1, p-value < 0.05). The findings imply that by coupling high temporal resolution datasets with the SSIM index and fully-convolutional deep neural networks, snow dynamics and cryosphere processes in response to climate-forcing agents can be effectively modeled and understood.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».