A Self‐Calibration Variance‐Component Model for Spatial Downscaling of GRACE Observations Using Land Surface Model Outputs
Notice bibliographique
Résumé
Abstract High‐resolution data of total water storage play a key role in assessing trends and availability of water resources. This study presents an iterative adjustment method based on the Self‐calibration Variance‐Component Model (SCVCM) for spatially downscaling GRACE‐derived Total Water Storage Anomaly (GRACE TWSA) from its original coarse resolution (∼300 km) to a high resolution (5 km) through integrating Land Surface Model (LSM) simulated high‐resolution Terrestrial Water Storage Anomaly (LSM TWSA). The proposed method takes the GRACE TWSA and the LSM TWSA, which includes soil water content, snow water equivalent, and plant water, as inputs with unknown uncertainties. It then establishes an observation system to estimate the unknown TWSA at the high resolution through an iterative adjustment process based on a posteriori variance‐component estimation technique. By applying the method to the coarse‐resolution (∼300 km) GRACE TWSA from the JPL (Jet Propulsion Laboratory) mascon solution and the high‐resolution (5 km) LSM TWSA from the Ecological Assimilation of Land and Climate Observations (EALCO) model, we evaluated its benefit and effectiveness. The results show that the proposed method is capable to downscale GRACE TWSA with improved uncertainties. The downscaled GRACE TWSA are also evaluated through in situ groundwater monitoring well observations and the results show a certain level agreement between the estimated and observed trends.
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 | 0,001 | 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 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 ».