A New GPM-DPR Algorithm to Estimate Snowfall in Mountain Regions
Notice bibliographique
Résumé
Reliable precipitation forcing is essential for calculating the water balance, seasonal snowpack, glacier mass balance, streamflow, and other hydrological variables. However, satellite precipitation is often the only forcing available to run hydrological models in data-scarce regions, compromising hydrological calculations when unreliable. The IMERG product estimates precipitation quasi-globally from a combination of passive microwave and infrared satellites, which are intercalibrated based on GPM’s DPR and GMI instruments. Current GPM-DPR radar algorithms have satisfactorily estimated rainfall, but a limited consideration of PSD, attenuation correction, and ground clutter have degraded snowfall estimation, especially in mountain regions. This study aims to improve satellite radar snowfall estimates for this situation. Nearly two years (between 2019 and 2022) of aloft precipitation concentration, surface hydrometeor size, number and fall velocity, and surface precipitation rate from a high elevation site in the Canadian Rockies and collocated GPM-DPR reflectivities were used to develop a new snowfall estimation algorithm. Snowfall estimates using the new algorithm and measured GPM-DPR reflectivities were compared to other GPM-DPR-based products, including CORRA, which is employed to intercalibrate IMERG. Snowfall rates estimated with measured Ka reflectivities, and from CORRA were compared to MRR-2 observations, and had correlation, bias, and RMSE of 0.58 and 0.07, 0.43 and -0.38 mm h-1, and 0.83 and 0.85 mm h-1, respectively. Predictions using measured Ka reflectivity suggest that enhanced satellite radar snowfall estimates can be achieved using a simple measured reflectivity algorithm. These improved snowfall estimates can be adopted to intercalibrate IMERG in cold mountain regions, thereby improving regional precipitation estimates.
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 | 0,001 | 0,001 |
| 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) | 0,004 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».