MétaCan
Menu
← Retour à la cohorte
Enregistrement W4311187335 · doi:10.5194/tc-2022-227-cc1

Comment on tc-2022-227

2022· peer-review· en· W4311187335 sur OpenAlexaff
Pinja Venäläinen, Kari Luojus, Colleen Mortimer, Juha Lemmetyinen, Jouni Pulliainen, Matias Takala, Mikko Moisander, Lina Zschenderlein

Notice bibliographique

Revuenon disponible
Typepeer-review
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésSnowRadiometerEnvironmental scienceRemote sensingMean squared errorMeteorologyInterpolation (computer graphics)MathematicsComputer scienceStatisticsGeologyGeographyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract. Snow water equivalent (SWE) is a valuable characteristic of snow cover, and it can be estimated using passive spaceborne radiometer measurements. The radiometer-based GlobSnow SWE retrieval methodology, which assimilates weather station snow depth observations into the retrieval, has improved the reliability and accuracy of SWE retrieval when compared to stand-alone radiometer SWE retrievals. To further improve the GlobSnow SWE retrieval methodology, we investigate implementing spatially and temporally varying snow densities into the retrieval procedure. Thus far, the GlobSnow SWE retrieval has used a constant snow density throughout the retrieval despite differing locations, snow depth, or time of winter. This constant snow density is a known source of inaccuracy in the retrieval. Four different versions of spatially and temporally varying snow densities are tested over a 10-year period (2000–2009). These versions use two different spatial interpolation techniques: ordinary Kriging interpolation and inverse distance weighted regression (IDWR). All versions were found to improve the SWE retrieval compared to the baseline GlobSnow v3.0 product, although differences between versions are small. Overall, the best results were obtained by implementing IDWR-interpolated densities into the algorithm, which reduced RMSE (root mean square error) and MAE (mean absolute error) by about 4 mm (8 % improvement) and 5 mm (16 % improvement) when compared to the baseline GlobSnow product, respectively. Furthermore, implementing varying snow densities into the SWE retrieval improves the magnitude and seasonal evolution of the Northern Hemisphere snow mass estimate compared to the baseline product and a product post-processed with varying snow densities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,220
Score d'incertitude au seuil0,736

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,014
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,001
Communication savante0,0050,002
Science ouverte0,0030,001
Intégrité de la recherche0,0270,011
Charge utile insuffisante (le modèle a refusé de juger)0,2200,206

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,271
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCryospheric studies and observations→Travaux en français237 207→