Deep Learning Approaches to Spatial Downscaling of GRACE Terrestrial Water Storage Products Using EALCO Model Over Canada
Notice bibliographique
Résumé
Estimating terrestrial water storage (TWS) with high spatial resolution is crucial for hydrological and water resource management. Comparing to traditional in-situ data measurement, observation from space borne sensor such as Gravity Recovery and Climate Experiment (GRACE) satellites is quite effective to obtain a large-scale TWS data. However, the coarse resolution of the GRACE data restricts its application at a local scale. This paper presents three novel convolutional neural network (CNN) based approaches including the Super-Resolution CNN (SRCNN), the Very Deep Super-Resolution (VDSR), and the Residual Channel Attention Networks (RCAN) to spatial downscaling of the monthly GRACE TWS products using the outputs of the Ecological Assimilation of Land and Climate Observations (EALCO) model over Canada. We also compare the performance of CNN-based methods with the empirical linear regression-based downscaling method. All comparison results were evaluated by root mean square error (RMSE) between the reconstructed GRACE TWS and the original one. RMSEs over the matched pixels are 22.3, 14.4, 18.4 and 71.6 mm of SRCNN, VDSR, RCAN and linear regression-based method respectively. Obviously, VDSR shows the best accuracy among all methods. The result shows all CNN-based super resolution methods preform much better than traditional method in spatial downscaling.
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) | 0,000 | 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 ».