Evaluation of the Snow Climate Change Initiative (Snow CCI) snow-covered area product within a mountain snow water equivalent reanalysis
Notice bibliographique
Résumé
An accurate characterization of global snow water equivalent (SWE) is essential in the study of climate and water resources. The current global SWE dataset from the European Space Agency Snow Climate Change Initiative (Snow CCI) is derived from the assimilation of passive microwave satellite data and in situ snow depth measurements. However, gaps exist in the current Snow CCI SWE dataset in complex terrain due to difficulties in characterizing mountain SWE via the passive microwave sensing approach and limitations of the in situ snow depth measurements. This study applies a Bayesian snow reanalysis approach with the existing Snow CCI snow cover fraction (SCF) dataset (1 km resolution) to develop a SWE dataset over four mountainous domains in western North America for water years (WYs) 2001–2019. The reanalysis SWE estimates are evaluated through comparisons with independent SWE datasets and a parallel SWE reanalysis generated using snow extent retrieved from Landsat imagery (30 m resolution). Biases in Snow CCI reanalysis SWE were diagnosed by comparing Snow CCI snow cover with the Landsat reference. Both the number of SCF images and their characteristics (such as zenith angle) significantly affect the accuracy of SWE estimation. Overall, the Snow CCI SCF inputs produce reanalysis SWE of sufficient quality to fill the mountain SWE gap in the current Snow CCI SWE climate data record. A better characterization of the SCF uncertainty and a bias correction could further improve the accuracy of the reanalysis SWE 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 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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».