I ett medborgarvetenskapligt projekt skapat av UW-forskare såg deltagarna time-lapse-bilder från Colorado och Washington och märkte bilder tagna när träd hade snö i sina grenar. Här visas en time-lapse-bild från en kamera på AmeriFlux Tower i Niwot Ridge, Colorado. Den här bilden är arkiverad i PhenoCam-nätverket och är en av de bilder som medborgarforskare analyserat i detta projekt. Kredit:AmeriFlux Tower
Snön som faller i bergen är bra för mer än bara skidåkning, snöskor och hisnande vyer. Snöpacket det skapar kommer så småningom att smälta, och det vattnet kan användas för vattenkraft, bevattning och dricksvatten.
Forskare vill förutsäga hur mycket vatten vi kommer att få senare under året baserat på snöpackningen. Men i skogsområden påverkar träden beräkningarna. När fallande snö fångas upp av träd tar den sig ibland aldrig till marken, och de nuvarande modellerna kämpar för att förutsäga vad som kommer att hända.
För att förbättra modellerna och undersöka vad som händer med denna uppfångade snö skapade forskare från University of Washington ett medborgarvetenskapligt projekt kallat Snow Spotter. Deltagarna tittade på time-lapse-bilder från Colorado och Washington och märkte bilder tagna när träd hade snö i sina grenar. Denna information gav den första glimten av hur interaktioner mellan snö och träd kan variera mellan olika klimat och hur det kan påverka förutsägelser om sommarens vattentillgång.
Teamet publicerade dessa resultat den 18 maj i AGU Water Resources Research .
"Vi, som skidåkare eller snöentusiaster, vet att snön i Colorado jämfört med Washington verkligen är annorlunda. Men hittills har det inte funnits ett enkelt sätt att observera hur dessa skillnader utspelar sig i trädkronorna", sa bly. författaren Cassie Lumbrazo, en doktorand från UW som studerar civil- och miljöteknik. "Det här projektet utnyttjar volontärer för att få hårda data om dessa skillnader. En annan fördel är att det introducerar våra volontärer till hur forskning fungerar och vad snöhydrologi är."
Det finns tre möjliga scenarier för snö som har fångats av träd. Det kan falla till marken som snö, vilket ökar det nuvarande snöpaketet. Det kan blåsas bort och förvandlas till vattenånga, vilket därför inte tillför något till snöpacket. Eller så kan snön smälta och droppa till marken, vilket, beroende på förhållandena, kan eller kanske inte ökar den totala mängden vatten i snöpacken.
En aktuell fråga med de matematiska modellerna som beskriver dessa processer är att forskarna inte vet tidpunkten – under loppet av ett år, hur ofta är det snö i träden och vad händer med den? – och hur denna tidpunkt varierar i olika klimat.
Men time-lapse-kameror kan spela in vad som händer på avlägsna platser genom att ta bilder varje timme, varje dag i flera år, vilket skapar en enorm datauppsättning av bilder.
Det är där medborgarforskarna kommer in. Snow Spotter visar frivilliga ett foto, med frågan:"Finns det snö i trädgrenarna?" Volontärer väljer sedan "ja", "nej", "osäker" eller "det är mörkt" innan de går vidare till nästa foto.
Med hjälp av Snow Spotter skannade totalt 6 700 medborgarforskare 13 600 bilder från ett antal platser i västra USA. Teamet fokuserade på fyra platser för denna studie:Mount Hopper, Washington; Niwot Ridge, Colorado; och två olika platser i Grand Mesa, Colorado.
"När projektet startade, tror jag inte att någon riktigt visste hur framgångsrikt det skulle bli", säger Lumbrazo, som för närvarande forskar i Norge som en del av Valle Scholarship &Scandinavian Exchange Program. "Men medborgarforskare bearbetade det så snabbt att vi hela tiden fick slut på bilder för folk att klassificera. Vi har fått feedback om att den här uppgiften verkligen är avslappnande. Medborgarforskare kan dra upp dessa bilder i Zooniverse-appen och de kan bara sitta på soffan och klicka igenom riktigt snabbt."
Varje foto hade mellan nio och 15 olika volontärer klassificerat det, och volontärerna höll med mellan 95 % och 98 % av gångerna. Därifrån kunde forskarna pussla ihop hur snön i träden såg ut under året för varje plats.
Medborgarforskare ägnade sig ofta åt bilderna de klassificerade, till exempel ropade de ut djur som dök upp i ramen. Här visas en skärmdump av en deltagare som pekar ut en fågel i det nedre högra hörnet av bilden. Kredit:University of Washington / AmeriFlux Tower
"Våra data visar fysiskt skillnaden i snön," sa Lumbrazo. "Du kan se hur snön i Washington bara blir cementerad i taket och aldrig lämnar, vilket är så det känns när du åker skidor på den snön. Till skillnad från snön i Colorado där du får ofta snöfall, men det blåser bort. Det är torrt. och dammigt."
Forskarna använde denna datauppsättning för att utvärdera nuvarande snömodeller. En begränsning är dock att teamet just nu bara vet när det finns snö i träden. Denna metod säger inte hur mycket snö som finns i träden, en annan komponent som behövs för att göra modellerna ännu bättre.
"Men en begränsning som inte finns är antalet medborgarforskare som är villiga att bearbeta dessa bilder," sa Lumbrazo. "Vi har skrivit på otaliga volontärtimmar för studenter, och det slutar till och med att de har några fantastiska diskussioner om vissa bilder och det blir mer av ett vetenskapligt samtal."
Dessutom kan datauppsättningen som genereras av dessa volontärer användas för att träna en maskininlärningsalgoritm för att klassificera bilder i framtiden, sa teamet.
Forskarna arbetar med att utöka sin bilduppsättning till att inkludera foton från hela världen så att de kan fortsätta lära sig om hur olika klimat och nederbördsmönster påverkar snöpackningen, vilket också kommer att bidra till att göra modellerna mer exakta.
Ytterligare medförfattare är Andrew Bennett och William "Ryan" Currier, som båda slutförde denna forskning som UW civil- och miljöteknik doktorander; och Bart Nijssen och Jessica Lundquist, båda UW-professorer i civil- och miljöteknik. Snow Spotter skapades av Max Mozer, som startade detta projekt som en UW-student som studerar civil- och miljöteknik.