Evaluation of Sub‐Hourly MRMS Quantitative Precipitation Estimates in Mountainous Terrain Using Machine Learning
Notice bibliographique
Résumé
Abstract The Multi‐Radar Multi‐Sensor (MRMS) product incorporates radar, quantitative precipitation forecasts, and gage data at a high spatiotemporal resolution for the United States and southern Canada. MRMS is subject to various sources of measurement error, especially in complex terrain. The goal of this study is to provide a framework for understanding the uncertainty of MRMS in mountainous areas with limited observations. We evaluate 8‐hr time series samples of MRMS 15‐min intensity through a comparison to 204 gages located in the mountains of Colorado. This analysis shows that the MRMS surface precipitation rate product tends to overestimate rainfall with a median normalized root mean squared error (RMSE) of 42% of the maximum MRMS 15‐min intensity. For each time series sample, various features related to the physical characteristics influencing MRMS performance are calculated from the topography, surrounding storms, and rainfall observed at the gage location. A gradient‐boosting regressor is trained on these features and is optimized with quantile loss, using the RMSE as a target, to model nonlinear patterns in the features that relate to a range of error. This model was used to predict a range of error throughout the mountains of Colorado during warm months, spanning 6 years, resulting in a spatiotemporally varying error model of MRMS for sub‐hourly precipitation rates. Mapping of this data set by aggregating normalized RMSE over time reveals that areas further from radar sites in higher elevation terrain show consistently greater error. However, the model predicts larger performance variability in these regions compared to alternative error assessments.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».