MétaCan
Menu
Retour à la cohorte
Enregistrement W6907431568 · doi:10.21966/9y7d-hb02

Snow Mapping Coastal British Columbia - 2021 - Airborne Coastal Observatory

2021· dataset· en· W6907431568 sur OpenAlexaboutno aff

Notice bibliographique

RevueHakai Institute · 2021
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSnowSnowmeltGlacierPrecipitationClimate changeCryosphereMeltwaterDrainage basinWater cycle

Résumé

récupéré en direct d'OpenAlex

Seasonal snow, like glaciers, provides thermal buffering to aquatic ecosystems in alpine and montane environments. The thermal properties of snow also provide a natural phase delay to rivers, supplementing flows during times when precipitation is at a minimum. The economic value of seasonal snow cover is difficult to quantify, but losses under a warming climate could exceed $500B (6). Seasonal snowmelt dominates the hydrology of large river basins in British Columbia (7, 8), yet direct observations of snow depth and snow water equivalent (SWE) in mountain basins are limited; these observations arise from sparse snow observation networks that tend to be centered around infrastructure and people. We thus have little knowledge of the spatial distribution of SWE (eg., SWE as a function of aspect and elevation). Seasonal snow also contributes to the glacier mass balance, so understanding its seasonal fluctuations will be important when assessing where and how quickly glaciers are shrinking. The lack of knowledge about SWE across large areas of the coast, severely limits our ability to calculate the contribution of seasonal snow (and ice) to the annual water budget of rivers, and thus makes it difficult to quantify how climate change will impact future water supply. These limited observations also contribute to a high degree of uncertainty in hydrological models used to predict the hydrological behavior of watersheds both in the past, present and future. In recent years, large scale surveys using airborne laser altimetry (LiDAR) has been applied successfully to watersheds in California (9), and this approach is only starting to be applied in British Columbia, due in large part to the fruitful collaboration between UNBC, Hakai and VIU. Hakai’s Airborne Coastal Observatory was developed to map and monitor icefields to oceans by using a combination of airborne Lidar (Light Detection and Ranging), high-resolution imagery, and hyperspectral imagery. Combined, the ACO sensors provide data to quantify changes in seasonal snow cover and glacier mass loss. The ACO is an aerial remote sensing platform used by the Hakai Institute to survey landscapes in detail. A Piper Navajo aircraft carries an array of integrated airborne mapping sensors installed to collect data in concert. The aircraft is operated and maintained by Kisik Aerial Surveys (Delta, BC).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,133

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0270,009

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,242
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHakai InstituteTravaux en français237 207