Estimation of rainfall from infrared‐microwave satellite data for basin‐scale hydrologic modelling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The infrared‐microwave rainfall algorithm (IMRA) was developed for retrieving spatial rainfall from infrared (IR) brightness temperatures (TBs) of satellite sensors to provide supplementary information to the rainfall field, and to decrease the traditional dependency on limited rain gauge data that are point measurements. In IMRA, a SLOPE technique (ST) was developed for discriminating rain/no‐rain pixels through IR image cloud‐top temperature gradient, and 243K as the IR threshold temperature for minimum detectable rainfall rate. IMRA also allows for the adjustment of rainfall derived from IR‐TB using microwave (MW) TBs. In this study, IMRA rainfall estimates were assessed on hourly and daily basis for different spatial scales (4, 12, 20, and 100 km) using NCEP stage IV gauge‐adjusted radar rainfall data, and daily rain gauge data. IMRA was assessed in terms of the accuracy of the rainfall estimates and the basin streamflow simulated by the hydrologic model, Sacramento soil moisture accounting (SAC‐SMA), driven by the rainfall data. The results show that the ST option of IMRA gave accurate satellite rainfall estimates for both light and heavy rainfall systems while the Hessian technique only gave accurate estimates for the convective systems. At daily time step, there was no improvement in IR‐satellite rainfall estimates adjusted with MW TBs. The basin‐scale streamflow simulated by SAC‐SMA driven by satellite rainfall data was marginally better than when SAC‐SMA was driven by rain gauge data, and was similar to the case using radar data, reflecting the potential applications of satellite rainfall in basin‐scale hydrologic modelling. Copyright © 2010 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle