A Merging Algorithm for Regional Snow Mapping over Eastern Canada from AVHRR and SSM/I Data
Notice bibliographique
Résumé
We present an algorithm for regional snow mapping that combines snow maps derived from Advanced Very High Resolution Radiometer (AVHRR) and Special Sensor Microwave/Imager (SSM/I) data. This merging algorithm combines AVHRR’s moderate spatial resolution with SSM/I’s ability to penetrate clouds and, thus, benefits from the advantages of the two sensors while minimizing their limitations. First, each of the two detection algorithms were upgraded before developing the methodology to merge the snow mapping results obtained using both algorithms. The merging methodology is based on a membership function calculated over a temporal running window of ±4 days from the actual date. The studied algorithms were developed and tested over Eastern Canada for the period from 1988 to 1999. The snow mapping algorithm focused on the spring melt season (1 April to 31 May). The snow maps were validated using snow depth observations from meteorological stations. The overall accuracy of the merging algorithm is about 86%, which is between that of the new versions of the two individual algorithms: AVHRR (90%) and SSM/I (83%). Furthermore, the algorithm was able to locate the end date of the snowmelt season with reasonable accuracy (bias = 0 days; SD = 11 days). Comparison of mapping results with high spatial resolution snow cover from Landsat imagery demonstrates the feasibility of clear-sky snow mapping with relatively good accuracy despite some underestimation of snow extent inherited from the AVHRR algorithm. It was found that the detection limit of the algorithm is 80% snow cover within a 1 × 1 km pixel.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».