An improved post-processing technique for automatic precipitation gauge time series
Notice bibliographique
Résumé
Abstract. The unconditioned data retrieved from accumulating automated weighing precipitation gauges are inherently noisy due to the sensitivity of the instruments to mechanical and electrical interference. This noise, combined with diurnal oscillations and signal drift from evaporation of the bucket contents, can make accurate precipitation estimates challenging. Relative to rainfall, errors in the measurement of solid precipitation are exacerbated because the lower accumulation rates are more impacted by measurement noise. Precipitation gauge measurement post-processing techniques are used by Environment and Climate Change Canada in research and operational monitoring to filter cumulative precipitation time series derived from high-frequency, bucket-weight measurements. Four techniques are described and tested here: (1) the operational 15 min filter (O15), (2) the neutral aggregating filter (NAF), (3) the supervised neutral aggregating filter (NAF-S), and (4) the segmented neutral aggregating filter (NAF-SEG). Inherent biases and errors in the first two post-processing techniques have revealed the need for a robust automated method to derive an accurate noise-free precipitation time series from the raw bucket-weight measurements. The method must be capable of removing random noise, diurnal oscillations, and evaporative (negative) drift from the raw data. This evaluation primarily focuses on cold-season (October to April) accumulating automated weighing precipitation gauge data at 1 min resolution from two sources: a control (pre-processed time series) with added synthetic noise and drift and raw (minimally processed) data from several WMO Solid Precipitation Intercomparison Experiment (SPICE) sites. Evaluation against the control with synthetic noise shows the effectiveness of the NAF-SEG technique, recovering 99 %, 100 %, and 102 % of the control total precipitation for low-, medium-, and high-noise scenarios respectively for the cold-season (October–April) and 97 % of the control total precipitation for all noise scenarios in the warm season (May–September). Among the filters, the fully automated NAF-SEG produced the highest correlation coefficients and lowest root-mean-square error (RMSE) for all synthetic noise levels, with comparable performance to the supervised and manually intensive NAF-S method. Compared to the O15 method in cold-season testing, NAF-SEG shows a lower bias in 37 of 44 real-world test cases, a similar bias in 5 cases, and a higher bias in 2 cases. In warm-season testing, the NAF-SEG bias was lower or similar in 7 of 11 cases. The results indicate that the NAF-SEG post-processing technique provides substantial improvement over current automated techniques, reducing both uncertainty and bias in accumulating-gauge measurements of precipitation, with a 24 h latency. Because it cannot be implemented in real time, we recommend that NAF-SEG be used in combination with a simple real-time filter, such as the O15 or similar filter.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».