MétaCan
Menu
Retour à la cohorte
Enregistrement W4408317441 · doi:10.1029/2024jd041481

A New GPM‐DPR Algorithm to Estimate Snowfall in Mountain Regions

2025· article· en· W4408317441 sur OpenAlexafffundabout
André Bertoncini, Julie M. Thériault, John W. Pomeroy

Notice bibliographique

RevueJournal of Geophysical Research Atmospheres · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiquePrecipitation Measurement and Analysis
Établissements canadiensUniversité du Québec à MontréalUniversity of Saskatchewan
Organismes subventionnairesGlobal Water FuturesAlberta InnovatesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésSnowAlgorithmMeteorologyEnvironmental scienceRemote sensingMathematicsGeologyGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Reliable precipitation forcing is essential for calculating the water balance and other hydrological variables. However, satellite precipitation is often the only forcing available to run hydrological models in data‐scarce regions compromising hydrological calculations. The Integrated Multi‐satellitE Retrievals for GPM (IMERG) product estimates precipitation from passive microwave and infrared satellites, which are intercalibrated based on Global Precipitation Measurement (GPM)'s Dual‐frequency Precipitation Radar (DPR) and GPM Microwave Image (GMI) instruments. GPM‐DPR radar algorithms have a limited consideration of particle size distribution (PSD), attenuation correction, and ground clutter, resulting in snowfall estimation degradation especially in mountain regions. This study aims to improve satellite radar snowfall for this situation. Nearly 2 years (2019–2022) of aloft precipitation concentration, surface hydrometeor size, number and fall velocity, and surface precipitation rate from a Canadian Rockies high‐elevation site 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 the combined radar‐radiometer algorithm (CORRA), which was employed to intercalibrate IMERG. Snowfall rates estimated with measured Ka reflectivities, and from CORRA were compared to Micro Rain Radar‐2 (MRR‐2) observations and had correlation, bias, and RMSE of 0.58 and 0.07, 0.43, and −0.38 mm hr −1 , and 0.83 and 0.85 mm hr −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 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,766
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,040
Tête enseignante GPT0,354
Écart entre enseignants0,314 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Geophysical Research AtmospheresMême sujetPrecipitation Measurement and AnalysisTravaux en français237 207