Assimilation of MODIS Snow Cover Fraction Observations into the NASA Catchment Land Surface Model
Notice bibliographique
Résumé
The NASA Catchment land surface model (CLSM) is the land model component used for the Modern-Era Retrospective Analysis for Research and Applications (MERRA). Here, the CLSM versions of MERRA and MERRA-Land are evaluated using snow cover fraction (SCF) observations from the Moderate Resolution Imaging Spectroradiometer (MODIS). Moreover, a computationally-efficient empirical scheme is designed to improve CLSM estimates of SCF, snow depth, and snow water equivalent (SWE) through the assimilation of MODIS SCF observations. Results show that data assimilation (DA) improved SCF estimates compared to the open-loop model without assimilation (OL), especially in areas with ephemeral snow cover and mountainous regions. A comparison of the SCF estimates from DA against snow cover estimates from the NOAA Interactive Multisensor Snow and Ice Mapping System showed an improvement in the probability of detection of up to 28% and a reduction in false alarms by up to 6% (relative to OL). A comparison of the model snow depth estimates against Canadian Meteorological Centre analyses showed that DA successfully improved the model seasonal bias from -0.017 m for OL to -0.007 m for DA, although there was no significant change in root-mean-square differences (RMSD) (0.095 m for OL, 0.093 m for DA). The time-average of the spatial correlation coefficient also improved from 0.61 for OL to 0.63 for DA. A comparison against in situ SWE measurements also showed improvements from assimilation. The correlation increased from 0.44 for OL to 0.49 for DA, the bias improved from -0.111 m for OL to -0.100 m for DA, and the RMSD decreased from 0.186 m for OL to 0.180 m for DA.
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 | 0,001 |
| 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) | 0,001 | 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 ».