Précision de l’estimation de l’équivalent en eau de la neige obtenue avec la sonde SNOWPOWER au Québec (Canada)
Bibliographic record
Abstract
\n Cet article présente la précision obtenue pour l’estimation de l’Équivalent en Eau de la Neige (ÉEN) et de sa Teneur en Eau Liquide (TEL) avec une nouvelle sonde surnommée la sonde ‘SNOWPOWER’. Cette dernière mesure la constante diélectrique de la neige le long d’un câble coaxial plat de 10 à 20 m dans deux fréquences, soit une haute fréquence à l’aide d’un réflectomètre dans le domaine temporel (‘Time Domain Reflectometry’ TDR) et une basse fréquence au moyen d’un analyseur d’impédance. Ces deux mesures permettent de déterminer simultanément la densité de la neige et sa TEL. La méthodologie originale proposée permet, en plus, d’extraire la hauteur de la neige des données haute fréquence et par conséquent fait aussi de la sonde un outil d’estimation de ÉEN. Cet article présente les résultats d’une année d’expérimentation, l’hiver 2003-2004, dans une parcelle agricole localisée au sud de la ville de Québec au Canada (48°28'12" N, 71˚10'48"W). Les valeurs estimées dérivées de la sonde sont comparées à des mesures manuelles des propriétés de la neige. Les résultats montrent une bonne estimation de la TEL (0.40% volumique) et de l’ÉEN (14.07 mm). Cependant, nous soulignons dans cette étude l’importance du choix adéquat de la basse fréquence ainsi que du choix de l’algorithme d’extrapolation des températures dans la précision de l’estimation. Enfin, nous discutons de l’apport potentiel des données de densité de la sonde pour la cartographie de l’ÉEN à partir des données radar satellite et du modèle EQeau. \n
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".