Abstract
Airborne LiDAR can support high resolution watershed-scale snow depth mapping that provides the spatial coverage necessary to inform water supply forecasts for mountainous headwaters. This research utilized LIDAR and machine learning to evaluate snow depth drivers and to assess the feasibility of sampling datasets for the spatial imputation of snow depth at the watershed-scale under mid-winter and melt onset conditions. We present a Random Forest based method of extrapolating LiDAR snow depth model values from two flight lines, with insights for future operational use. Models of watershed-scale snow depth developed from spatially constrained flightline training samples correlated with more spatially widespread LiDAR snow depth data but were outperformed by models generated from training data sampled across the entire watershed. Random Forest simulations produced R2 values ranging from 0.41 to 0.61 and RMSE values from 0.7 m to 1.0 m (p < 0.05). By evaluating the performance of snow depth drivers within each simulation, we found that aspect and topographic position index were important drivers regardless of seasonality. LiDAR sampling and machine learning imputation provide a viable framework for substantially reducing the cost of LiDAR-based mountain snowpack monitoring over complex source water regions, but further work is needed to optimize flight path sampling configurations.
RÉSUMÉ
Le LiDAR aéroporté peut prendre en charge la cartographie à haute résolution de l’épaisseur de neige à l’échelle des bassins versant, fournissant la couverture spatiale nécessaire pour soutenir les prévisions d’approvisionnement en eau des régions montagneuses. Cette recherche a utilisé le LIDAR et l’apprentissage automatique pour évaluer les facteurs affectant l’épaisseur de neige et évaluer la faisabilité de données d’échantillonnage d’ensembles pour l’estimation spatiale de l’épaisseur de la neige à l’échelle du bassin versant dans des conditions de début d’hiver et de fonte. Nous présentons une méthode basée sur l’algorithme Forêt aléatoire (FA) pour extrapoler les valeurs du modèle d’épaisseur de neige LiDAR établit à partir de deux lignes de vol et des informations pour une utilisation opérationnelle future. Les modèles de l’épaisseur de neige à l’échelle du bassin versant élaborés à partir d’échantillons d’entraînement issus des lignes de vol et limités dans l’espace étaient corrélés à des mesures LiDAR de l’épaisseur du couvert nival plus dispersées dans l’espace, mais ils ont été surpassés par les modèles générés à partir de données d’entraînement échantillonnées dans l’ensemble du bassin versant. Les simulations FA ont produit des valeurs R2 allant de 0,41 à 0,61 et des valeurs RMSE de 0,7 m à 1,0 m (p < 0,05). En évaluant la performance des facteurs affectant l’épaisseur de neige dans chaque simulation, nous avons constaté que l’indice d’orientation et l’indice de position topographique étaient des facteurs importants, quelle que soit la saisonnalité. L’échantillonnage LiDAR et l’imputation par apprentissage automatique fournissent un cadre viable pour réduire considérablement le coût de la surveillance LiDAR du manteau neigeux en montagne pour des régions complexes, mais des travaux supplémentaires sont nécessaires pour optimiser les configurations d’échantillonnage des trajectoires de vol.
Acknowledgments
Hopkinson acknowledges laboratory equipment funding from the Canada Foundation for Innovation. Field logistical and data collection support were provided by Clean Harbors Airborne Imaging, Castle Mountain Resort and AEP. Cartwright recognizes the Canadian Space Agency for a travel grant to present at the 2017 Earth Observation Summit. Reed Parsons is gratefully acknowledged for assistance with field data collection.