Implementing spatially and temporally varying snow densities into the GlobSnow snow water equivalent retrieval
Notice bibliographique
Résumé
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».