Delineation of Rain Areas with TRMM Microwave Observations Based on PNN
Notice bibliographique
Résumé
False alarm and misdetected precipitation are prominent drawbacks of high-resolution satellite precipitation datasets, and they usually lead to serious uncertainty in hydrological and meteorological applications. In order to provide accurate rain area delineation for retrieving high-resolution precipitation datasets using satellite microwave observations, a probabilistic neural network (PNN)-based rain area delineation method was developed with rain gauge observations over the Yangtze River Basin and three parameters, including polarization corrected temperature at 85 GHz, difference of brightness temperature at vertically polarized 37 and 19 GHz channels (termed as TB37V and TB19V, respectively) and the sum of TB37V and TB19V derived from the observations of the Tropical Rainfall Measuring Mission (TRMM) Microwave Imager (TMI). The PNN method was validated with independent samples, and the performance of this method was compared with dynamic cluster K-means method, TRMM Microwave Imager (TMI) Level 2 Hydrometeor Profile Product and the threshold method used in the Scatter Index (SI), a widely used microwave-based precipitation retrieval algorithm. Independent validation indicated that the PNN method can provide more reasonable rain areas than the other three methods. Furthermore, the precipitation volumes estimated by the SI algorithm were significantly improved by substituting the PNN method for the threshold method in the traditional SI algorithm. This study suggests that PNN is a promising way to obtain reasonable rain areas with satellite observations, and the development of an accurate rain area delineation method deserves more attention for improving the accuracy of satellite precipitation datasets.
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 | 0,000 | 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 ».