MétaCan
Menu
Retour à la cohorte
Enregistrement W1996692952 · doi:10.1002/hyp.7626

Estimation of rainfall from infrared‐microwave satellite data for basin‐scale hydrologic modelling

2010· article· en· W1996692952 sur OpenAlexafffund
Oscar Anthony Kalinga, Thian Yew Gan

Notice bibliographique

RevueHydrological Processes · 2010
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiquePrecipitation Measurement and Analysis
Établissements canadiensUniversity of AlbertaGolder Associates (Canada)
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaGoddard Space Flight Center
Mots-clésSatelliteRemote sensingHydrological modellingScale (ratio)Environmental scienceEstimationMicrowaveMeteorologyHydrology (agriculture)ClimatologyGeologyGeographyCartographyComputer science

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,254
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHydrological ProcessesMême sujetPrecipitation Measurement and AnalysisTravaux en français237 207