Comparison of snowmelt timing estimates from Sentinel-1 SAR and surface observations in British Columbia, Canada
Notice bibliographique
Résumé
Snowmelt provides critical water resources that impact ecosystem health and hazard frequency; however, the timing of melt is difficult to infer across large spatial scales. While Synthetic Aperture Radar (SAR) has been used to detect snowmelt onset, the accuracy of different methodological approaches requires evaluation. We use Sentinel-1 SAR observations to estimate snowmelt timing at automated snow water equivalent (SWE) stations ( n = 52) across British Columbia between 2018 and 2021. The timing of backscatter minima are compared to snowmelt onset estimates derived from continuous SWE and surface air temperature records. First, we develop a manual selection method, which requires SWE and air temperature records, to determine the feasibility of SAR for estimating snowmelt onset. Using this approach, we demonstrate that images with identical viewing geometries (i.e., those from the same orbital track) should be utilized for snowmelt onset estimation with SAR, and that including the timing of local minima, a minimum value over an interval, as potential dates of snowmelt initiation increases accuracy compared to the use of absolute minima alone. Accuracy further increases when snowmelt analysis is constrained to specific timeframes informed by region and topography, with error reduced by greater than 50 % in some study years. After demonstrating the potential accuracy of SAR with manually selected estimates (RMSE = 5.3 d), we develop an automated method that can produce SAR estimates of melt onset that are independent of surface observations. While accuracy was reduced from automated approaches, the mean date of absolute backscatter minima in track-separated SAR time series (both cross and co-polarized images) provided the most accurate automated estimates of snowmelt (RMSE = 11 d). We observed no spatially coherent bias in SAR error which suggests that SAR observations can be used to detect snowmelt onset across large regions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,002 | 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 ».