MARC

 008260126s2025        us                              c    eng  d
■001000017357638
■00520260202103540
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288862724
■035    ▼a(MiAaPQ)AAI32040849
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a577
■1001  ▼aCowherd,  Marianne.
■24510▼aClimate  Change  and  Wildland  Fire  Impacts  on  Seasonal  Snow  Measurements
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a143  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Girotto,  Manuela.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aSnow  is  a  vital  water  resource,  contributing  to  supply,  storage,  and  predictability  for  downstream  uses.  Our  ability  to  track  snow  changes  is  linked  to  our  ability  to  understand  and  represent  the  mechanisms  behind  snow  accumulation  and  ablation  as  well  as  our  ability  to  make  useful  observations.  The  relationship  between  measured  snow  properties  and  unmeasured  snow  properties  is  therefore  a  crucial  gap  between  the  actual  water  resource  present  and  our  ability  to  make  optimal  water  management  decisions.  This  work  addresses  the  need  to  understand  snow  measurements  and  snowpack  processes  in  the  face  of  two  prominent  sources  of  change  that  challenge  traditional  snow  measurement:  climate  change  and  wildland  fire.  First,  I  use  an  ensemble  of  Earth  system  models  to  show  global  shifts  in  the  frequency,  severity,  and  drivers  of  snow  drought  around  the  world.  Warm  snow  droughts,  in  which  a  normal  or  high  precipitation  year  still  leads  to  a  water  storage  deficit,  represent  an  emerging  threat  to  water  management  in  many  regions  of  the  world.  Second,  I  focus  on  snow  droughts  in  the  western  United  States  using  dynamically  downscaled  climate  projections.  This  analysis  of  higher-resolution  model  outputs  identifies  spatial  variability  in  snowpack  response  to  climate  change.  This  finding  raises  further  questions  on  the  use  of  snow  observations  at  a  specific  location  to  predict  values  at  a  nearby  location,  as  is  traditionally  done  with  snow  pillow  networks  in  the  US  and  other  countries.  The  strategic  but  static  locations  of  snow  pillows  act  as  representatives  of  the  state  of  snow  water  resources  across  the  regions  they  are  located.  However,  these  locations  may  not  react  to  climate  change  in  the  same  manner  as  unmeasured  locations,  leading  to  a  paradox:  how  can  we  know  if  the  network  is  representative  if  we  don't  measure  outside  of  the  network?  Third,  I  model  the  behavior  of  the  snow  pillow  networks  in  the  western  United  States  in  a  future  climate  projection  to  estimate  how  useful  traditional  measurements  will  remain  in  a  warmer  future.  By  comparing  the  skill  of  models  ranging  from  linear  regression  to  convolutional  neural  networks  and  with  input  data  from  sparse  snow  pillow  proxies  to  hypothetical  dense  snow  water  equivalent  observations,  I  show  the  potential  for  addressing  future  snow  management  challenges.  In  particular,  I  show  that  explicit  two-dimensional  spatial  correlations  are  a  key  component  of  successful  predictions  under  new  climates.  Finally,  I  present  results  from  a  field  campaign  in  El  Dorado  County,  California,  showing  that  legacy  snow  course  locations  respond  to  fire  in  ways  that  are  not  representative  of  non-snow-course  locations.  Together,  this  work  shows  that  the  future  of  snowpack  distributions  and  measurements  will  be  nonstationary  and  increasingly  driven  by  temperature  rather  than  precipitation.  Short-term  change  from  wildland  fire  and  long-term  change  from  climate  change  demonstrate  the  need  to  adapt  how  we  think  about  snowpack  information,  not  just  snowpack  quantity,  to  disturbance.
■590    ▼aSchool  code:  0028.
■650  4▼aEnvironmental  science
■650  4▼aHydrologic  sciences
■650  4▼aClimate  change
■653    ▼aFire  ecology
■653    ▼aMachine  learning
■653    ▼aSnow  drought
■653    ▼aSnow  hydrology
■653    ▼aStationarity
■690    ▼a0768
■690    ▼a0388
■690    ▼a0404
■71020▼aUniversity  of  California,  Berkeley▼bEnvironmental  Science,  Policy,  &  Management.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357638▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books