Modeling Level 2 Passive Microwave Precipitation Retrieval Error Over Complex Terrain Using a Nonparametric Statistical Technique
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
The representation of precipitation variability over mountainous regions by ground-based sensors is an open problem in hydrometeorological applications that necessitates the use of satellite-based precipitation products (SPPs). An extended network of ground-based X-band radar (GR) deployments over complex terrain areas, including the northeastern Italian Alps, North Carolina, Olympic Mountain, and the southern tip of Vancouver Island, is used in this study as a benchmark rainfall data set for error characterization and modeling of Level 2 PMW retrievals (Goddard profiling (GPROF) V05 algorithm) for the different sensors: the Microwave Humidity Sounder (MHS), the Special Sensor Microwave Imager/Sounder (SSMIS), the Global Precipitation Measurement Microwave Imager (GMI), and the Advanced Microwave Scanning Radiometer 2 (AMSR2). Matchups of Level 2 PMW/GR rainfall are extracted based on a matching methodology that identifies GR volume scans with PMW overpasses, and scales GR parameters to the satellite products’ nominal spatial resolution. The error model is the nonparametric machine learning tree-based quantile regression forest (QRF), which we developed using matchups of PMW/GR rainfall data from the different study areas. Validation of the error model is conducted using three cross-validation techniques: the k-fold, leave-one region out, and enforced. All validations showed that the error model-based corrections can significantly reduce both the mean relative error and the random component of PMW products. Moreover, the error reduction demonstrated with the leave-one region out cross-validation technique indicated that the error model is transferable among complex terrain regions. Algorithm developers may find this error model useful to integrate in the Level 3 products.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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