Impact of dynamic snow density on GlobSnow snow water equivalent retrieval accuracy
Notice bibliographique
Résumé
Abstract. Snow water equivalent (SWE) is an important variable in describing global seasonal snow cover. Traditionally, SWE has been measured manually at snow transects or using observations from weather stations. However, these measurements have a poor spatial coverage, and a good alternative to in situ measurements is to use spaceborne passive microwave observations, which can provide global coverage at daily timescales. The reliability and accuracy of SWE estimates made using spaceborne microwave radiometer data can be improved by assimilating radiometer observations with weather station snow depth observations as done in the GlobSnow SWE retrieval methodology. However, one possible source of uncertainty in the GlobSnow SWE retrieval approach is the constant snow density used in modelling emission of snow. In this paper, three versions of spatially and temporally varying snow density fields were implemented using snow transect data from Eurasia and Canada and automated snow observations from the United States. Snow density fields were used to post-process the baseline GlobSnow v.3.0 SWE product. Decadal snow density information, i.e. fields where snow density for each day of the year was taken as the mean calculated for the corresponding day over 10 years, was found to produce the best results. Overall, post-processing GlobSnow SWE retrieval with dynamic snow density information improved overestimation of small SWE values and underestimation of large SWE values, though underestimation of SWE values larger than 175 mm was still significant.
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 | 0,000 | 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) | 0,012 | 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 ».