Reconstruction of a daily gridded snow water equivalent product for the land region above 45° N based on a ridge regression machine learning approach
Notice bibliographique
Résumé
Abstract. Snow water equivalent is an important parameter of the surface hydrological and climate systems, and it has a profound impact on Arctic amplification and climate change. However, there are great differences among existing snow water equivalent products. In the Pan-Arctic region, the existing snow water equivalent products are limited time span and limited spatial coverage, and the spatial resolution is coarse, which greatly limits the application of snow water equivalent data in cryosphere change and climate change studies. In this study, utilizing the ridge regression model (RRM) of a machine learning algorithm, we integrated various existing snow water equivalent (SWE) products to generate a spatiotemporally seamless and high-precision RRM SWE product. The results show that it is feasible to utilize a ridge regression model based on a machine learning algorithm to prepare snow water equivalent products on a global scale. We evaluated the accuracy of the RRM SWE product using Global Historical Climatology Network (GHCN) data and Russian snow survey data. The MAE, RMSE, R, and R2; between the RRM SWE products and observed snow water equivalents are 0.24, 30.29 mm, 0.87, and 0.76, respectively. The accuracy of the RRM SWE dataset is improved by 24 %, 25 %, 32 %, 7 %, and 10 % compared with the original AMSR-E/AMSR2 snow water equivalent dataset, ERA-Interim SWE dataset, Global Land Data Assimilation System (GLDAS) SWE dataset, GlobSnow SWE dataset, and ERA5-land SWE dataset, respectively, and it has a higher spatial resolution. The RRM SWE product production method does not rely too much on an independent snow water equivalent product, it makes full use of the advantages of each snow water equivalent dataset, and it considers the altitude factor. The average MAE of RRM SWE product at different altitude intervals is 0.24 and the average RMSE is 23.55 mm, this method has good stability, it is extremely suitable for the production of snow datasets with large spatial scales, and it can be easily extended to the preparation of other snow datasets. The RRM SWE product is expected to provide more accurate snow water equivalent data for the hydrological model and climate model and provide data support for cryosphere change and climate change studies. The RRM SWE product is available from the ‘A Big Earth Data Platform for Three Poles’ (http://dx.doi.org/10.11888/Snow.tpdc.271556) (Li et al., 2021).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».