The Development of a Two-Step Merging and Downscaling Method for Satellite Precipitation Products
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Low accuracy and coarse spatial resolution are the two main drawbacks of satellite precipitation products. Therefore, calibration and downscaling are necessary before these products are applied. This study proposes a two-step framework to improve the accuracy of satellite precipitation estimates. The first step is data merging based on optimum interpolation (OI), and the second step is downscaling based on geographically weighted regression (GWR); therefore, the framework is called OI-GWR. An Integrated Multi-satellitE Retrievals for Global Precipitation Measurement (GPM) (IMERG) product is used to demonstrate the effectiveness of OI-GWR in the Tianshan Mountains, China. First, the original IMERG precipitation data (OIMERG) are merged with rain gauge data using the OI method to produce corrected IMERG precipitation data (CIMERG). Then, using CIMERG as the first guess and the normalized difference vegetation index (NDVI) as the auxiliary variable, GWR is utilized for spatial downscaling. The two-step OI-GWR method is compared with several traditional methods, including GWR downscaling (Ori_GWR) and spline interpolation. The cross-validation results show that (1) the OI method noticeably improves the accuracy of OIMERG, and (2) the 1-km downscaled data obtained using OI-GWR are much better than those obtained from Ori_GWR, spline interpolation, and OIMERG. The proposed OI-GWR method can contribute to the development of high-resolution and high-accuracy regional precipitation datasets. However, it should be noted that the method proposed in this study cannot be applied in regions without any meteorological stations. In addition, further efforts will be needed to achieve daily- or hourly-scale downscaling of precipitation.
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.
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 | 0,001 | 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 découle