Using GRACE to Estitmate Snowfall Accumulation and Assess Gauge Undercatch Corrections in High Latitudes
Notice bibliographique
Résumé
Ten years of terrestrial water storage anomalies from the Gravity Recovery and Climate Experiment (GRACE) were used to estimate high latitude snowfall accumulation using a mass balance approach. The estimates were used to assess two common gauge-undercatch correction factors (CFs): Legates climatology (CF-L) utilized in the Global Precipitation Climatology Project (GPCP), and Fuchs dynamic correction model (CF-F) used in the Global Precipitation Climatology Centre (GPCC) Monitoring product. The two CFs can be different by more than 50%. CF-L tended to exceed CF-F over northern Asia and Eurasia, while the opposite was observed over North America. Estimates of snowfall from GPCP, GPCC-L (GPCC corrected by CF-L), and GPCC-F (GPCC corrected by CF-F) were 62%, 64%, and 46% more than GPCC over northern Asia and Eurasia. GRACE-based estimate (49% more than GPCC) was the closest to GPCC-F. We found that as near surface air temperature decreases, the products increasingly underestimated the GRACE-based snowfall accumulation. Overall, GRACE showed that CFs are effective in improving GPCC estimates. Furthermore, our case studies and overall statistics suggest that CF-F is likely more effective than CF-L in most of the high latitude regions studied here. GPCP showed generally better skill than GPCC-L, which might be related to the use of satellite data or additional quality controls on gauge inputs to GPCP. This study suggests that GPCP can be improved if it employs CF-L instead of CF-F to correct for gauge undercatch. However, this implementation requires further studies, region-specific analysis, and operational considerations.
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 ».