Integration of satellite-based passive microwave brightness temperature observations and an ensemble-based land data assimilation framework to improve snow estimation in forested regions
Notice bibliographique
Résumé
The utilization of a machine learning algorithm-based (i.e., support vector machine [SVM]) model as the observation operator within a one-dimensional ensemble Kalman filter (EnKF) framework for the purpose of improving snow estimates across regional-scales is explored. The multifrequency, multipolarization framework employs an SVM to predict brightness temperature spectral difference (i.e., ΔTb) between 10.65 GHz, 18.7 GHz and 36.5 GHz as a function of land surface model state information. The EnKF then merges the predictions with observations obtained from the Advanced Microwave Scanning Radiometer (AMSR-E) sensor onboard the Aqua satellite. Case studies are presented for Quebec and Newfoundland, Canada, and several pixels in North America covered with evergreen needle-leaved forest colocated with taiga snow cover type. Model results with and without assimilation were compared against in-situ snow observations as well as state-of-the-art snow products. It is shown that using an atmospheric-forest-decoupling procedure prior to SVM training and prediction activities is useful in enhancing snow characterization. However, without adequate ground-based snow observations, it is still relatively difficult to draw a full conclusion as to the feasibility of the proposed assimilation framework employing the two-step decoupling procedure.
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 | 0,000 |
| 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 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 ».