397
Views
6
CrossRef citations to date
0
Altmetric
Articles

Using artificial neural networks to estimate snow water equivalent from snow depth

ORCID Icon, ORCID Icon, ORCID Icon, , &
Pages 252-268 | Received 02 Oct 2019, Accepted 13 Jul 2020, Published online: 10 Aug 2020
 

Abstract

Snow water equivalent (SWE) is among the most important variables in the hydrological modelling of high latitude and mountainous areas. While manual snow surveys can directly provide SWE measurements, they are time consuming and costly, especially compared to automated snow depth measurements. Moreover, SWE is strongly correlated to snow depth. For this reason, several empirical equations relating snow depth to SWE have been proposed. The present study investigates the potential of artificial neural networks for estimating SWE from snow depth and commonly available data, and the proposed method is compared to existing, regression-based methods. An ensemble of multilayer perceptrons is constructed and trained using gridded meteorological variables and a data set of almost 40,000 SWE and depth measurements from the province of Quebec (eastern Canada). Overall, the proposed artificial neural network-based method reached a RMSE of 28 mm and outperforms by 17% a series of empirical equations for estimating the SWE of an independent set of measurement sites. Nevertheless, all the tested methods demonstrated limits to estimate lowest values of snow bulk density.

RÉSUMÉ

L’équivalent en eau de la neige (ÉEN) compte parmi les variables les plus importantes pour la modélisation hydrologique dans les régions nordiques ou montagneuses. Bien que les relevés manuels de neige permettent d’obtenir directement des mesures d’ÉEN, ceux-ci sont longs à réaliser et couteux. De plus, la hauteur de neige est fortement corrélée à l’ÉEN. Pour cette raison, plusieurs équations empiriques reliant l’ÉEN à la hauteur de neige ont été proposées. Cet article étudie la possibilité d’utiliser les réseaux de neurones artificiels pour estimer l’ÉEN à partir de la hauteur de neige et de données largement disponibles. Le modèle développé est comparé à des équations existantes basées sur des régressions. Un ensemble de perceptrons multicouches est construit et entrainé en utilisant des variables météorologiques spatialisées et un jeu de données de presque 40 000 mesures d’ÉEN et de hauteur au Québec (est du Canada). Il est montré que la méthode proposée basée sur les réseaux de neurones artificiels atteint de meilleures performances pour estimer l’ÉEN sur un jeu de données indépendantes avec un RMSE de 28 mm, soit une diminution de 17% par rapports aux modèles de régression. Néanmoins, toutes les méthodes présentent des limites pour l’estimation des faibles valeurs de densité de neige.

Acknowledgements

The authors would like to thank the Direction de la Qualité de l’Air et du Climat of the MELCC and its partners: Hydro-Québec, Rio Tinto, Ontario Power Generation, the Ontario Ministry of Natural Resources and Forests, Churchill Falls Corporation, Environment—New Brunswick, and the Maine Cooperative Snow Survey for sharing their data. We also thank Dr. Kris Villez for his Matlab toolbox for implementing the multilayer perceptrons.

Disclosure statement

No potential conflict of interest was reported by the authors.

Reprints and Corporate Permissions

Please note: Selecting permissions does not provide access to the full text of the article, please see our help page How do I view content?

To request a reprint or corporate permissions for this article, please click on the relevant link below:

Academic Permissions

Please note: Selecting permissions does not provide access to the full text of the article, please see our help page How do I view content?

Obtain permissions instantly via Rightslink by clicking on the button below:

If you are unable to obtain permissions via Rightslink, please complete and submit this Permissions form. For more information, please visit our Permissions help page.