Improving Runoff Simulations using Satellite-observed Time-series of Snow Covered Area
Notice bibliographique
Résumé
Snowmelt can be a significant contributor to major floods, and hence updated snow information is very important to flood forecasting services. This study assesses whether operational runoff simulations could be improved by applying satellite-derived snow covered area (SCA) from both optical and radar sensors. Currently the HBV model is used for runoff forecasting in Norway, and satellite-observed SCA is used qualitatively but not directly in the model. Three catchments in southern Norway are studied using data from 1995 to 2002. The results show that satellite-observed SCA can be used to detect when the models do not simulate the snow reservoir correctly. Detecting errors early in the snowmelt season will help the forecasting services to update and correct the models before possible damaging floods. The method requires model calibration against SCA as well as runoff. Time-series from the satellite sensors NOAA AVHRR and ERS SAR are used. Of these, AVHRR shows good correlation with the simulated SCA, and SAR less so. Comparison of simultaneous data from AVHRR, SAR and Landsat ETM+ for May 2000 shows good inter-correlation. Of a total satellite-observed area of 1,088 km2, AVHRR observed a SCA of 823 km2 and SAR 720 km2, as compared to 889 km2 using ETM+.
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».