Uncertainty and outliers in high‐resolution gridded precipitation products over eastern North America
Notice bibliographique
Résumé
Abstract Several observational precipitation products that provide high temporal (≤3 h) and spatial (≤0.25°) resolution gridded estimates are available, although no single product can be assumed worldwide to be closest to the (unknown) “reality.” Here, we propose and apply a methodology to quantify the uncertainty of a set of precipitation products and to identify, at individual grid points, the products that are likely wrong (i.e., outliers). The methodology is applied over eastern North America for the 2015–2019 period for eight high‐resolution gridded precipitation products: CMORPH, ERA5, GSMaP, IMERG, MSWEP, PERSIANN, STAGE IV and TMPA. Four difference metrics are used to quantify discrepancies in different aspects of the precipitation time series, such as the total accumulation, two characteristics of the intensity‐frequency distribution, and the timing of precipitating events. Large regional and seasonal variations in the observational uncertainty are found across the ensemble. The observational uncertainty is higher in Canada than in the United States, reflecting large differences in the density of precipitation gauge measurements. In northern midlatitudes, the uncertainty is highest in winter, demonstrating the difficulties of satellite retrieval algorithms in identifying precipitation in snow‐covered areas. In southern midlatitudes, the uncertainty is highest in summer, probably due to the more discontinuous nature of precipitation. While the best product cannot be identified due to the lack of an absolute reference, our study is able to identify products that are likely wrong and that should be excluded depending on the specific application.
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 | 0,000 | 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 ».