Bias correction and spatial disaggregation of satellite-based data for the detection of rainfall seasonality indices
Notice bibliographique
Résumé
Like many other African countries, Ghana's rain gauge networks are rapidly deteriorating, making it challenging to obtain real-time rainfall estimates. In recent years, significant progress has been made in the development and availability of real-time satellite precipitation products (SPPs). SPPs may complement or substitute gauge data, enabling better real-time forecasting of stream flows, among other things. However, SPPs still have significant biases that must be corrected before the rainfall estimates can be used for any hydrologic application, such as real-time or seasonal forecasting. The daily satellite-based rainfall estimate (CHIRPS-v2) data were bias-corrected using the Bias Correction and Spatial Disaggregation (BSCD) approach. The study further investigated how bias correction of daily satellite-based rainfall estimates affects the identification of seasonality and extreme rainfall indices in Ghana. The results revealed that the seasonal and annual rainfall patterns in the region were better represented after the bias correction of the CHIRPS-v2 data. We observed that, before bias correction, the cessation dates in the country's southwest and upper middle regions were slightly different. However, they matched those of the gauge well after bias correction. The novelty of this study is that, in addition to improving rainfall using CHIRPS data, it also enhances the identification of seasonality indices. The paper suggests the BCSD approach for correcting rainfall estimates from other algorithms using long-term historical records indicative of the rainfall variability area under consideration.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».