Improving gridded snow water equivalent products in BritishColumbia, Canada: multi-source data fusion by neural networkmodels
Notice bibliographique
Résumé
Abstract. Estimates of surface snow water equivalent (SWE) in alpine regions with seasonal melts are particularly difficult in areas of high vegetation density, topographic relief and snow accumulations. These three confounding factors dominate much of the province of British Columbia (BC), Canada. An artificial neural network (ANN) was created using as predictors six gridded SWE products previously evaluated for BC: ERA-Interim/Land, GLDAS-2, MERRA, MERRA-Land, GlobSnow and ERA-Interim. Relevant spatiotemporal covariates including survey date, year, latitude, longitude, elevation and grid cell elevation differences were also included as predictors, and observations from manual snow surveys at stations located throughout BC were used as target data. Mean absolute errors (MAEs) and correlations for April surveys were found using cross validation. The ANN using the three best performing SWE products (ANN3) had the lowest mean station MAE across the entire province, improving on the performance of individual products by an average of 53 %. Mean station MAEs and April survey correlations were also found for each of BC’s five physiographic regions. ANN3 outperformed each product as well as product means and multiple linear regression (MLR) models in all regions except for the BC Plains, which has relatively few stations and much lower accumulations than other regions. Subsequent comparisons of the ANN results with predictions generated by the Variable Infiltration Capacity (VIC) hydrologic model found ANN3 to be superior over the entire VIC domain and within most physiographic regions. The superior performance of the ANN over individual products, product means, MLR and VIC was found to be statistically significant across the province.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».