Assessment of Satellite-Based Precipitation Estimates over Egypt
Notice bibliographique
Résumé
Ground precipitation measurements face obstacles in many regions of Egypt, where gauge stations are sparse. It is thus necessary to find reliable sources such as satellite-based precipitation products, which provide uninterrupted precipitation time-series with high spatial resolution. This work evaluated the performance of four well-known global satellite precipitation products, i.e., Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Climate Data Record (PERSIANN-CDR), Tropical Rainfall Measuring Mission (TRMM3B42V7), Integrated Multi-satellitE Retrievals for global precipitation measurement-Final (IMERG-F), and Global Satellite Mapping of Precipitation (GSMaP)-Gauge, against gauged data of 23 stations in Egypt. GSMaP-Gauge revealed its outstanding abilities over the other three products in detecting rainfall occurrences and estimating the amount of rainfall. Further, Global Satellite Mapping of Precipitation (GSMaP-Gauge) was corrected by three commonly used bias-correction methods: linear scaling; local intensity scaling; and empirical quantile mapping (EQM). All three methods are effective in reducing biases to some extent, especially on the annual scale, with EQM being the best for most cases. This study demonstrates that satellite products can provide an alternative source of rainfall information for Egypt.
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 | 0,000 | 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) | 0,000 | 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 ».