Toward a Near Real-Time Product of Air Temperature Maps from Satellite Data and <i>In Situ</i> Measurements in Arid Environments
Notice bibliographique
Résumé
Earth observation data and in situ measurements were used to derive a method for the estimation of Air Temperature(AirT) and thereby produce maps. The methodology was developed and validated using data acquired at five stations located in the United Arab Emirates(UAE) during the year 2012. In the first step, the effect of different variables on the estimation of AirT values was investigated and the variables of high importance were used to build the final model. Land surface temperature (LST), relative humidity, global horizontal irradiance, direct normal irradiance, and diffuse horizontal irradiance were identified as the most important inputs for Air Testimation. Models were developed separately for four different cases based on the seasons (Winter/Summer) and the time of the day (Day/Night). The models were evaluated using jackknife validation on the stations resulting in root mean square errors of 2.25°C(Winter/Day), 2.24°C (Winter/Night), 2.56°C (Summer/Day), and 2.69°C (Summer/Night) and an overall average accuracy of 2.44°C. Finally, the model has been applied on a larger scale by assimilating the relevant Earth observation data and in situ measurements for the creation of AirT maps for the entire country. The resulting AirT maps were generated in near real time at a temporal resolution of 15 min from METEOSAT/SEVIRI LST and the above-mentioned in situ measurements. These maps can be considered as important resources for several applications (e.g, climate studies, solar energy applications, thermal comfort studies, etc.).
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 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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».