Application of remote sensing to model snowpack evolution in the High Atlas
Bibliographic record
Abstract
La fonte de la neige qui s'accumule dans le Haut Atlas du Maroc représente une ressource en eau importante pour les habitants des vallées, car elle recharge les nappes souterraines et contribue au débit des oueds. Pourtant, l'état du manteau neigeux est mal connu à cause de l'absence de mesures in situ et de stations météorologiques à haute altitude. Pour répondre à ce défi, nous proposons dans cette thèse d'assimiler des données des surfaces enneigées dérivées des images à haute résolution spatiale et temporelle de la mission Sentinel-2 dans un modèle distribué de manteau neigeux forcé par des données de réanalyses climatiques. Cet objectif général nous a conduit à identifier dans un premier temps la résolution spatiale optimale pour simuler le manteau neigeux tout en limitant les temps de calcul. Ensuite, nous avons évalué l'apport des données de réanalyses météorologiques MERRA-2 pour estimer l'état du manteau neigeux dans un bassin versant peu étudié et important en terme de ressource en eau. Enfin, nous montrons l'implémentation et l'évaluation du schéma d'assimilation sur une saison complète dans un bassin versant pilote. Les résultats encourageants ouvrent la voie à une estimation régionale de l'équivalent en eau de la neige dans le Haut Atlas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".