Evaluation of the value of spatially improved SMAP soil moisture products in enhancing streamflow forecast skills
Notice bibliographique
Résumé
Soil moisture (SM) measurements over large areas are vital for many operational applications such as flood forecasting, irrigation scheduling, and drought monitoring. Although obtaining SM over extensive areas was difficult until recently, the advent of satellite remote sensing technologies such as passive microwave satellites (e.g., SMOS and SMAP) opened a new way. Nevertheless, the utilization of SM products of these satellites is often impeded because of their coarse spatial resolution (i.e., about 40 km). A number of studies have been attempted to improve the coarse resolution satellite SM products via downscaling. However, despite of many downscaling efforts, subsequent use of downscaled satellite SM products for operational applications has not yet been fully explored. Thus, the objective of this study is to evaluate the value of SMAP SM in enhancing short-term streamflow forecast skills. The random forest machine learning technique was used to downscaled SMAP SM from 36 km to a range of resolutions from 1 to 9 km (i.e., 9, 3, and 1 km). Thereafter, a host of experiments were carried out to update a physically-based distributed hydrological model through direct ingestion of the original SMAP SM (e.g., 36 km), SMAP enhanced SM (i.e., 9 km), and downscaled SMAP SM at different spatial resolutions (e.g., 9, 3 and 1 km). A non-updated model was used as a benchmark for comparison. The result shows that the downscaled SMAP SM has presented better spatial detail than its corresponding native resolution and updating the model state with SMAP SM products (i.e., with the native and downscaled products) shows promising potential for improving short term flood forecasting. Finally, this will in turn helps in better water resources management.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».