Combining APHRODITE Rain Gauges-Based Precipitation with Downscaled-TRMM Data to Translate High-Resolution Precipitation Estimates in the Indus Basin
Notice bibliographique
Résumé
Understanding the pixel-scale hydrology and the spatiotemporal distribution of regional precipitation requires high precision and high-resolution precipitation data. Satellite-based precipitation products have coarse spatial resolutions (~10 km–75 km), rendering them incapable of translating high-resolution precipitation variability induced by dynamic interactions between climatic forcing, ground cover, and altitude variations. This study investigates the performance of a downscaled-calibration procedure to generate fine-scale (1 km × 1 km) gridded precipitation estimates from the coarser resolution of TRMM data (~25 km) in the Indus Basin. The mixed geographically weighted regression (MGWR) and random forest (RF) models were utilized to spatially downscale the TRMM precipitation data using high-resolution (1 km × 1 km) explanatory variables. Downscaled precipitation estimates were combined with APHRODITE rain gauge-based data using the calibration procedure (geographical ratio analysis (GRA)). Results indicated that the MGWR model performed better on fit and accuracy than the RF model to predict the precipitation. Annual TRMM estimates after downscaling and calibration not only translate the spatial heterogeneity of precipitation but also improved the agreement with rain gauge observations with a reduction in RMSE and bias of ~88 mm/year and 27%, respectively. Significant improvement was also observed in monthly (and daily) precipitation estimates with a higher reduction in RMSE and bias of ~30 mm mm/month (0.92 mm/day) and 10.57% (3.93%), respectively, after downscaling and calibration procedures. In general, the higher reduction in bias values after downscaling and calibration procedures was noted across the downstream low elevation zones (e.g., zone 1 correspond to elevation changes from 0 to 500 m). The low performance of precipitation products across the elevation zone 3 (>1000 m) might be associated with the fact that satellite observations at high-altitude regions with glacier coverage are most likely subjected to higher uncertainties. The high-resolution grided precipitation data generated by the MGWR-based proposed framework can facilitate the characterization of distributed hydrology in the Indus Basin. The method may have strong adoptability in the other catchments of the world, with varying climates and topography conditions.
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) | 0,001 | 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 | 0,001 |
| 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 ».