Appraising the Potential of Using Satellite‐Based Rainfall Estimates for Evaluating Extreme Precipitation: A Case Study of August 2014 Event Across the West Rapti River Basin, Nepal
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 Heavy precipitation events are recurrently occurring in Nepal, affecting lives and properties every year, especially in the summer monsoon season (i.e., June‐September). We investigated an extreme (heavy) precipitation event of August 2014 over the West Rapti River (WRR) Basin, Nepal. First, we forced a rainfall‐runoff model with ground‐based (gauge) hourly rainfall data of nine stations. Second, we validated against hourly water level at an outlet of the WRR Basin. This study then evaluated the performance of different satellite‐based rainfall estimates (SREs) in capturing an extreme precipitation event. We considered the use of half‐hourly data of Integrated Multi‐satellite Retrievals for GPM (IMERG) (Early, Late, and Final versions), spatial resolution (10 km), and hourly data of Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks (PERSIANN), spatial resolution (25 km), and Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks‐Cloud Classification System (PERSIANN‐CCS), spatial resolution (4 km). Also, we used 3 h data of Tropical Multi‐satellite Precipitation Analysis (TMPA) product real‐time (3B42RT), spatial resolution (25 km). In general, we find that all selected SREs depicted a similar pattern of extreme precipitation as shown by the gauge data on a daily scale. However, we find these products could not replicate precisely on a sub‐daily scale. Overall, IMERG and TMPA showed a better performance than PERSIANN and PERSIANN‐CCS. Finally, we corrected poor‐performed SREs with respect to gauge data and also filled data gaps of gauge rainfall using the information of good‐performed SREs. Our study reveals that there is a great challenge in local flood simulation employing SREs at high‐temporal resolution in Nepal.
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 | 0,003 | 0,001 |
| 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 | 0,001 |
| 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