Snow Water Equivalent from airborne Ku-band data: the Trail Valley Creek 2018/19 snow experiment
Notice bibliographique
Résumé
Snow is an important freshwater resource that impacts the health and well-being of communities, the economy, and sustains ecosystems of the cryosphere. This is why there is a need for a spaceborne Earth observation mission to monitor global snow conditions. Environment and Climate Change Canada, in partnership with the Canadian Space Agency, is developing a new Ku-band synthetic aperture radar mission to retrieve snow water equivalent (SWE) at a nominal resolution of 500 m, and weekly coverage of the cryosphere. Here, we present the concept of the SWE retrieval algorithm for this proposed satellite mission. It is shown that by combining a priori knowledge of snow conditions from a land surface model, like the Canadian Soil Vegetation Snow version 2 model (SVS-2), in a Markov Chain Monte Carlo (MCMC) Bayesian model coupled with the Snow Microwave Radiative Transfer model (SMRT), we can retrieve SWE with an RMSE of 15.8 mm (16.4 %) and a MCMC-retrieved SWE uncertainty of 23.4 mm (25.2 %). To achieve this accuracy, a larger uncertainty in the a priori grain size estimation is required, since this variable is known to be underestimated within SVS-2 and has a considerable impact on the microwave scattering properties of snow. It is also shown that adding four observations from different incidence angles improves the accuracy of the SWE retrieval because these observations are sensitive to different scattering mechanisms of the snowpack. These results validate the mission concept of the proposed Canadian satellite mission.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 0,001 |
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 ».