Er der sne i det træ? Citizen science hjælper med at udpakke snes effekt på sommerens vandforsyning

Sneen, der falder i bjergene, er god til mere end blot skiløb, sneskoture og betagende udsigter. Den snepakke, den skaber, vil med tiden smelte, og det vand kan bruges til vandkraft, kunstvanding og drikkevand.

Forskere ønsker at forudsige, hvor meget vand vi får senere på året baseret på snepakken. Men i skovområder påvirker træerne beregningerne. Når faldende sne opsnappes af træer, når den nogle gange aldrig vej til jorden, og de nuværende modeller kæmper med at forudsige, hvad der vil ske.

For at forbedre modellerne og undersøge, hvad der sker med denne opsnappede sne, oprettede forskere fra University of Washington et borgervidenskabsprojekt kaldet Snow Spotter. Deltagerne så time-lapse-billeder fra Colorado og Washington og mærkede billeder taget, når træer havde sne i deres grene. Denne information gav det første glimt af, hvordan interaktioner mellem sne og træer kunne variere mellem klimaer, og hvordan det kunne påvirke forudsigelser om sommerens vandforsyninger.

Holdet offentliggjorde disse resultater 18. maj i AGU Water Resources Research .

"Vi, som skiløbere eller sneentusiaster, ved, at sneen i Colorado i forhold til Washington er virkelig anderledes. Men indtil nu har der ikke været en nem måde at observere, hvordan disse forskelle udspiller sig i trækronerne," sagde lederen. forfatter Cassie Lumbrazo, en UW ph.d.-studerende, der studerer civil- og miljøteknik. "Dette projekt udnytter frivillige til at få nogle hårde data om disse forskelle. En anden fordel er, at det introducerer vores frivillige til, hvordan forskning fungerer, og hvad snehydrologi er."

Der er tre mulige scenarier for sne, der er blevet fanget af træer. Det kan falde til jorden som sne, hvilket øger den nuværende snepakke. Det kunne blæses væk og blive til vanddamp, og tilfører derfor ikke noget til snepakken. Eller sneen kan smelte og dryppe til jorden, hvilket, afhængigt af forholdene, måske eller måske ikke øger den samlede mængde vand i snepakken.

Et aktuelt problem med de matematiske modeller, der beskriver disse processer, er, at forskerne ikke kender timingen – i løbet af et år, hvor ofte er der sne i træerne, og hvad sker der med det? – og hvordan denne timing varierer i forskellige klimaer.

Men time-lapse-kameraer kan optage, hvad der sker fjerntliggende steder, ved at tage billeder hver time, hver dag i årevis og skabe et enormt datasæt af billeder.

Det er her borgerforskerne kommer ind. Snow Spotter viser frivillige et foto med spørgsmålet:"Er der sne i grenene?" Frivillige vælger derefter "ja", "nej", "usikker" eller "det er mørkt", før de går videre til næste billede.

Ved hjælp af Snow Spotter scannede i alt 6.700 borgerforskere 13.600 billeder fra en række steder i det vestlige USA. Holdet fokuserede på fire steder for denne undersøgelse:Mount Hopper, Washington; Niwot Ridge, Colorado; og to forskellige steder i Grand Mesa, Colorado.

"Da projektet startede, tror jeg ikke, nogen rigtig vidste, hvor succesfuldt det ville blive," sagde Lumbrazo, der i øjeblikket forsker i Norge som en del af Valle Scholarship &Scandinavian Exchange Program. "Men borgerforskere behandlede det så hurtigt, at vi blev ved med at løbe tør for billeder, som folk kunne klassificere. Vi har modtaget feedback om, at denne opgave virkelig er afslappende. Borgerforskere kan trække disse billeder op i Zooniverse-appen, og de kan bare sidde på sofaen og klik rigtig hurtigt igennem."

Hvert billede havde mellem ni og 15 forskellige frivillige, der klassificerede det, og de frivillige var enige mellem 95 % og 98 % af gangene. Derfra kunne forskerne sammensætte, hvordan sneen i træerne så ud i løbet af året for hvert sted.

"Vores data viser fysisk forskellen i sneen," sagde Lumbrazo. "Du kan se, hvordan sneen i Washington bare bliver cementeret i baldakinen og aldrig forsvinder, hvilket er sådan det føles, når du står på den sne. I modsætning til sneen i Colorado, hvor du ofte får snefald, men det blæser væk. Det er tørt. og støvet."

Forskerne brugte dette datasæt til at evaluere nuværende snemodeller. En begrænsning er dog, at holdet lige nu kun ved, hvornår der er sne i træerne. Denne metode siger ikke, hvor meget sne der er i træerne, en anden komponent er nødvendig for at gøre modellerne endnu bedre.

"Men en begrænsning, der ikke eksisterer, er antallet af borgerforskere, der er villige til at behandle disse billeder," sagde Lumbrazo. "Vi har skrevet under på utallige frivillige timer for studerende, og de ender endda med at have nogle gode diskussioner om bestemte billeder, og det bliver mere en videnskabelig samtale."

Derudover kunne datasættet genereret af disse frivillige bruges til at træne en maskinlæringsalgoritme til at klassificere billeder i fremtiden, sagde holdet.

Forskerne arbejder på at udvide deres billeddatasæt til at omfatte fotos fra hele verden, så de kan fortsætte med at lære om, hvordan forskellige klimaer og nedbørsmønstre påvirker snepakken, hvilket også vil hjælpe med at gøre modellerne mere nøjagtige.

Yderligere medforfattere er Andrew Bennett og William "Ryan" Currier, som begge fuldførte denne forskning som UW civil- og miljøingeniør-ph.d.-studerende; og Bart Nijssen og Jessica Lundquist, begge UW-professorer i civil- og miljøteknik. Snow Spotter blev skabt af Max Mozer, som startede dette projekt som en UW bachelorstuderende, der studerede civil- og miljøteknik.