De sneeuw die in de bergen valt, is goed voor meer dan alleen skiën, sneeuwschoenwandelen en adembenemende vergezichten. Het sneeuwpakket dat het creëert, zal uiteindelijk smelten en dat water kan worden gebruikt voor waterkracht, irrigatie en drinkwater.

Onderzoekers willen op basis van de sneeuwlaag voorspellen hoeveel water we later in het jaar zullen krijgen. Maar in beboste gebieden hebben de bomen invloed op de berekeningen. Wanneer vallende sneeuw wordt onderschept door bomen, komt deze soms nooit naar de grond, en de huidige modellen hebben moeite om te voorspellen wat er zal gebeuren.

Om de modellen te verbeteren en te onderzoeken wat er met deze onderschepte sneeuw gebeurt, hebben onderzoekers van de Universiteit van Washington een burgerwetenschappelijk project opgezet met de naam Snow Spotter. Deelnemers bekeken time-lapse-foto's uit Colorado en Washington en gelabelde foto's die waren genomen toen bomen sneeuw in hun takken hadden. Deze informatie gaf een eerste glimp van hoe sneeuw-boom-interacties kunnen variëren tussen klimaten en hoe dat de voorspellingen van watervoorraden in de zomer zou kunnen beïnvloeden.

Het team publiceerde deze bevindingen op 18 mei in AGU Water Resources Research .

"Wij, als skiërs of sneeuwenthousiastelingen, weten dat de sneeuw in Colorado in vergelijking met Washington echt anders is, maar tot nu toe was er geen gemakkelijke manier om te zien hoe deze verschillen zich afspelen in het bladerdak," zei hoofd auteur Cassie Lumbrazo, een UW-promovendus die civiele en milieutechniek studeert. "Dit project maakt gebruik van vrijwilligers om harde gegevens over die verschillen te krijgen. Een ander voordeel is dat het onze vrijwilligers laat kennismaken met hoe onderzoek werkt en wat sneeuwhydrologie is."

Er zijn drie mogelijke scenario's voor sneeuw die is opgevangen door bomen. Het zou als sneeuw op de grond kunnen vallen, wat bijdraagt ​​aan het huidige sneeuwpakket. Het kan worden weggeblazen en in waterdamp veranderen, waardoor er niets aan het sneeuwpakket wordt toegevoegd. Of de sneeuw kan smelten en op de grond druppelen, wat, afhankelijk van de omstandigheden, al dan niet bijdraagt ​​aan de totale hoeveelheid water in het sneeuwpakket.

Een actueel probleem met de wiskundige modellen die deze processen beschrijven, is dat onderzoekers de timing niet weten - in de loop van een jaar, hoe vaak is er sneeuw in de bomen en wat ermee gebeurt? - en hoe deze timing varieert in verschillende klimaten.

Maar time-lapse-camera's kunnen vastleggen wat er op afgelegen locaties gebeurt door jarenlang elk uur, elke dag foto's te maken, waardoor een enorme dataset van beelden ontstaat.

Daar komen de burgerwetenschappers in beeld. Snow Spotter laat vrijwilligers een foto zien, met de vraag:"Is er sneeuw in de boomtakken?" Vrijwilligers selecteren vervolgens "ja", "nee", "onzeker" of "het is donker" voordat ze doorgaan naar de volgende foto.

Met behulp van Snow Spotter hebben in totaal 6.700 burgerwetenschappers 13.600 afbeeldingen gescand van een aantal locaties in het westen van de Verenigde Staten. Het team concentreerde zich voor deze studie op vier locaties:Mount Hopper, Washington; Niwot Ridge, Colorado; en twee verschillende locaties in Grand Mesa, Colorado.

"Toen het project begon, dacht ik niet dat iemand echt wist hoe succesvol het zou zijn", zegt Lumbrazo, die momenteel onderzoek doet in Noorwegen als onderdeel van het Valle Scholarship &Scandinavian Exchange Program. "Maar burgerwetenschappers verwerkten het zo snel dat we steeds maar geen afbeeldingen meer hadden die mensen konden classificeren. We hebben feedback gekregen dat deze taak echt ontspannend is. Burgerwetenschappers kunnen deze foto's opvragen in de Zooniverse-app en ze kunnen er gewoon op zitten op de bank en klik heel snel door."

Elke foto had tussen de negen en 15 verschillende vrijwilligers die het classificeren, en de vrijwilligers waren het er tussen 95% en 98% van de tijd mee eens. Van daaruit konden de onderzoekers voor elke locatie samenvatten hoe sneeuw in de bomen er in de loop van het jaar uitzag.

"Onze gegevens laten fysiek het verschil in de sneeuw zien", zei Lumbrazo. "Je kunt zien hoe de sneeuw in Washington gewoon in het bladerdak wordt gecementeerd en nooit meer weggaat, en dat is hoe het voelt als je die sneeuw skiet. In tegenstelling tot de sneeuw in Colorado waar je regelmatig sneeuwval, maar het waait weg. Het is droog en stoffig."

De onderzoekers gebruikten deze dataset om de huidige sneeuwmodellen te evalueren. Een beperking is echter dat het team op dit moment alleen weet wanneer er sneeuw in de bomen ligt. Deze methode zegt niet hoeveel sneeuw er in de bomen ligt, een ander onderdeel was nodig om de modellen nog beter te maken.

"Maar een beperking die niet bestaat, is het aantal burgerwetenschappers dat bereid is deze beelden te verwerken," zei Lumbrazo. "We hebben talloze uren vrijwilligerswerk voor studenten ondertekend, en ze hebben zelfs geweldige discussies over bepaalde afbeeldingen en het wordt meer een wetenschappelijk gesprek."

Bovendien kan de dataset die door deze vrijwilligers wordt gegenereerd, worden gebruikt om in de toekomst een machine learning-algoritme te trainen om afbeeldingen te classificeren, aldus het team.

De onderzoekers werken eraan om hun beelddataset uit te breiden met foto's van over de hele wereld, zodat ze kunnen blijven leren over hoe verschillende klimaten en neerslagpatronen het sneeuwdek beïnvloeden, wat ook zal helpen de modellen nauwkeuriger te maken.

Andere co-auteurs zijn Andrew Bennett en William "Ryan" Currier, die beiden dit onderzoek hebben voltooid als doctoraatsstudenten civiele en milieutechniek van de UW; en Bart Nijssen en Jessica Lundquist, beide UW-hoogleraren civiele techniek en milieutechniek. Snow Spotter is gemaakt door Max Mozer, die dit project begon als een UW-student die civiele techniek en milieutechniek studeerde.