Evaluating A Satellite Passive Microwave Snowmelt Detection Algorithm Using In-Situ Snowmelt Indicators
Notice bibliographique
Résumé
Snowmelt is a critical component of hydrologic processes in mountainous and seasonally cold regions. As such, monitoring and understanding regional snowmelt patterns and fluctuations is a crucial aspect of water resource management. While ground-based snow monitoring stations can provide continuous data on melting processes, they are cost-prohibitive for dense coverage at regional to global scales. Satellites, however, can provide global data on weekly to twice daily time scales. Previous studies have found that passive microwave (PMW) remote sensing data from satellites with twice daily observations can be used to detect onset of snowmelt using changes in brightness temperature (a measure of emitted radiation) from day to night, known as the diurnal amplitude variation (DAV). This study first evaluates the accuracy of an enhanced DAV method developed by Tuttle & Jacobs (2019) in a heterogenous environment consisting of forest and cropland by comparing satellite detected melt events to detailed ground snow observations collected at Sleeper’s River Research Watershed, VT between 2021-2023. Using lessons learned, the analysis is extended to over 500 snow stations located throughout the western US and Canada, using daily SWE and snow depth data from 2002-2011. This study aims to fill gaps in 1) evaluating PMW melt detection techniques using detailed observations of the snowpack energy state, and 2) assessing their performance in mid-latitude regions and a variety of different terrains/climates. I find that snow surface temperature observations are more valuable than other tested methods for validation of melt events detected using PMW observations. I also find that, in accordance with previous studies, PMW melt detection methods are likely most sensitive to liquid water at the surface of the snowpack, making them more useful for detecting midwinter surface melt and the onset of the spring melt period, rather than hydrologically significant releases of snowmelt.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».