Simulation and Assimilation of Passive Microwave Data Using a Snowpack Model Coupled to a Calibrated Radiative Transfer Model Over Northeastern Canada
Notice bibliographique
Résumé
Abstract Over northern snowmelt‐dominated basins, the snow water equivalent (SWE) is of primary interest for hydrological forecasting. This paper evaluates first the performance of a detailed multilayer snowpack model (Crocus), driven by meteorological predictions generated by the Canadian Global Environmental Multiscale model, for hydrological applications. Simulations were compared to daily snow depth and SWE measurements over Québec, northeastern Canada (56–45°N), for 2012–2016, highlighting an overestimation of the annual maximum snow depth (35%) and of the annual maximum SWE (16%), which is not accurate enough for hydrological applications. To improve SWE simulations, a chain of models is implemented to simulate and to assimilate passive microwave satellite observations. The snowpack model is coupled to a microwave snow emission model (Dense Media Radiative Transfer‐Multilayers model, DMRT‐ML), and the comparison of simulated brightness temperatures ( T Bs ) with surface‐based T B measurements (at 11, 19 and 37 GHz) shows best results when the snow stickiness parameter is set to 0.17 in DMRT‐ML. The overall root‐mean‐square error (RMSE) obtained by the calibrated coupling reaches 27 K, significantly better than the RMSE obtained by considering nonsticky spheres in DMRT‐ML (43.0 K). The relevance of T B assimilation is tested with synthetic observations to evaluate the information content of each frequency for SWE estimates. The assimilation scheme is a Sequential Importance Resampling Particle filter using an ensemble of perturbed meteorological forcing data. The results show a SWE RMSE reduced by 82% with T B assimilation compared to without assimilation.
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 ».