Global Intercomparison of Atmospheric Rivers Precipitation in Remote Sensing and Reanalysis 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
Abstract Atmospheric rivers (ARs) play an important role in the total annual precipitation regionally and globally, delivering precious freshwater to many arid/semiarid regions. On the other hand, they may cause intense precipitation and floods with huge socioeconomic effects worldwide. In this study, we investigate AR‐related precipitation using 18 years (2001–2018) of globally gridded AR locations derived from Modern‐Era Retrospective Analysis for Research and Applications, Version 2 (MERRA‐2). AR precipitation features are explored regionally and seasonally using remote sensing (Integrated Multi‐satellitE Retrievals for GPM version 6 [IMERG V6], daily Global Precipitation Climatology Project version 1.3 [GPCP V1.3], bias‐adjusted CPC Morphing Technique version 1 [CMORPH V1], and Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks [PERSIANN‐CDR]) and reanalysis (MERRA‐2 and ECMWF Reanalysis 5th Generation [ERA5]) precipitation products. The results show that most of the world (except the tropics) experience more intense precipitation from AR‐related events compared to non‐AR events. Over the oceans (especially the Southern Ocean), the contribution of ARs to the total precipitation and extreme events is larger than over land. However, some coastal areas over land are highly affected by ARs (e.g., the western and eastern United States and Canada, Western Europe, North Africa, and part of the Middle East, East Asia, and eastern South America and part of Australia). Although spatial correlations for pairs of IMERG/CMORPH and GPCP/PERSIANN‐CDR are fairly high, considerable discrepancies are shown in their estimation of AR‐related events (i.e., overall IMERG and CMORPH show a higher fraction of AR‐related precipitation). It was found that the degree of consistency between reanalysis and satellite‐based products is highly regionally dependent, partly due to the uneven distribution of in situ measurements.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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