Comparing Land Surface Model Performance between Fine-scale and Coarse-scale Assimilation: Leaf Area Index Retrievals versus GRACE / GRACE-FO Retrievals 
Notice bibliographique
Résumé
Land surface models (LSMs) are useful for estimating land surface states and fluxes such as snow water equivalent, soil moisture content, vegetation, and river discharge. Although estimates are continuous in time and space, LSMs are flawed since they lack comprehensive representation of process physics and are dependent on uncertain boundary conditions. One way to improve LSM performance is by conditioning model states on space-borne retrievals using an ensemble Kalman filter framework. In this study, the Noah-MP version 4.0.1 LSM without conditioning (a.k.a., Open Loop; OL) is compared against the same model with conditioning (a.k.a., Data Assimilation; DA). Two different univariate DA experiments are conducted: 1) assimilation using terrestrial water storage (TWS) anomalies from GRACE / GRACE-FO, and 2) assimilation using leaf area index (LAI) retrievals from MODIS. Not only do the experiments assimilate different types of retrievals (i.e., TWS versus LAI), but also, they assimilate products of different spatial (~3° versus ~0.005°) and temporal (~monthly versus ~weekly) resolutions. Experiments are conducted across different watersheds in North America with a particular focus on basins with irrigated agriculture. Modeled states and fluxes from the OL and DA are then compared against independent, ground-based measurement networks including U.S. SNOTEL, Canadian CanSWE product, U.S. SCAN for soil moisture, and USGS measurement gauges for river discharge. Statistical analyses, including bias, RMSE, and normalized information content (NIC) are computed to quantify the marginal improvements via each assimilation experiment. Results provide a basis to better understand the coupling between different state variables (i.e., snow mass, soil moisture, and groundwater) as well as the utility of using coarse-scale and fine-scale retrievals in land data assimilation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».