Comment on egusphere-2024-3169
Notice bibliographique
Résumé
Abstract. Snow water equivalent (SWE) retrieval from Ku-band radar measurements is possible with complex retrieval algorithms involving prior information on the snowpack microstructure and a microwave radiative transfer model to link backscatter measurements to snow properties. A key variable in a retrieval is the number of snow layers, with more complex layering yielding richer information but at increased computational cost. Here, we show the capabilities of a new method to simplify a complex multilayered snowpack to less than or equal to 3 layers, while preserving the microwave scattering behavior of the snowpack and conserving the bulk snow water equivalent. The method is based on a K-means clustering algorithm to group the snow layers based on the extinction coefficient and the height of the layer. Then, a weighted average using the extinction coefficient and the thickness was applied to the snow properties. We evaluated our method using snow properties from simulations of the SVS-2/Crocus physical snow model at 11 sites spanning a large variety of climates across the world and the Snow Microwave Radiative Transfer model to calculate backscatter at 17.25 GHz. Grouping and averaging snow stratigraphy into 3 layers effectively reproduced the total snowpack backscatter of multi-layered snowpacks with overall root mean squared error = 0.5 dB and R2 = 0.98. Using this methodology, SWE retrievals can be applied to simplified snowpacks, while maintaining similar scattering behavior, without compromising the modeled snowpack properties. Reduction in the mathematical complexity of SWE retrieval cost functions and reduction in computation of up to 80 % can be gained by using fewer layers in the SWE retrieval.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,025 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,375 | 0,305 |
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 ».