Implementing robust outlier detection to enhance estimation accuracy of GNSS-IR based seasonal snow depth retrievals
Notice bibliographique
Résumé
Monitoring snow depth variations aligned with the seasonal cycle is crucial for studies on climate change and its impacts due to global warming. Especially in terms of snow hydrology, the determination and continuous monitoring of snow depth to determine snow water equivalent is a priority in climate, water science, drought, flood, and inundation prediction studies, particularly in the water cycle. Recently, the so-called Global Navigation Satellite Systems – Interferometric Reflectometry (GNSS-IR) method enables to extract environmental radiometric and geometric characteristics of surface where the signals transmitted from the satellites reflect. The reflected signal follows an extra path than the direct one and causes a major error source for accurate point positioning but a useful tool for sensing the environment. However, outliers remain a challenge in long-term GNSS-IR estimations. In this study, we proposed a median-based robust outlier detection (ROD) approach for identifying outliers in long-term GNSS-IR snow depth estimations. To validate our approach, we analysed 5-year GNSS L1 SNR and L2 SNR data from 1 January 2015 to 31 December 2019 provided by AB33 and AB39 GNSS stations in Alaska, U.S.A. using the GNSS-IR method. We validated GNSS-IR estimations using snow depth measurements from the Coldfoot and Fort Yukon stations in the SNOTEL network. Applying ROD to long-term snow depth estimates increased the highest correlation from 91.58% to 94.93%, and reduced the lowest RMSE from 8.6 cm to 6.7 cm. In addition, the improvement rates calculated to assess the contribution of ROD to the results showed improvements of up to 6.9% in correlation and 26.1% in RMSE. Overall, the results demonstrate that ROD can be effectively used to detect outliers in long-term GNSS-IR snow depth time series.
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 | 0,001 |
| 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 ».