Retrieval of Snow Density Based on Space-Borne L-Band Passive Microwave Observations
Notice bibliographique
Résumé
Snow density is the key parameter in converting snow depth to snow mass. A two-parameter retrieval algorithm has been developed to estimate snow density and soil permittivity simultaneously in ground-based experiments. This study tested the two-parameter retrieval algorithm applied for the L-band multiple-angle SMOS (Soil Moisture Ocean Salinity) and single-angle SMAP (Soil Moisture Active Passive) missions, respectively, at 46 sites in Quebec, Canada. To alleviate the ill-posed problem, we also developed a one-parameter retrieval algorithm, where only the snow density was retrieved using a soil permittivity calculated from the GLDAS-Noah soil simulations. Results showed that, the two-parameter retrieval algorithm achieved an ubRMSE of 40 and 60 kg⁄m3for SMOS and SMAP, respectively, but the correlation is low (0.23-0.24), because the sensitivity of observations to snow density is weaker than soil parameters, and the estimates from coarse-resolution satellite observations were validated against point-scale measurements. On the contrary, if soil permittivity is determined despite a small bias, the one-parameter retrieval algorithm based on SMOS can increase the correlation coefficient to 0.65 in the October to June period. It indicates the importance of a soil permittivity prior or a stable snow condition (for example, frozen soil condition) to achieve high accuracy for satellite-based snow density estimation.
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 | 0,000 | 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 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 ».