MétaCan
Menu
Retour à la cohorte
Enregistrement W4414903692 · doi:10.1016/j.ejrh.2025.102786

Evaluation of differences between gridded precipitation products in the Southern Prairies of Manitoba

2025· article· en· W4414903692 sur OpenAlexafffundabout
Omid Mohammadiigder, Chandra Rupa Rajulapati, Ricardo Mantilla, Fisaha Unduche

Notice bibliographique

RevueJournal of Hydrology Regional Studies · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiquePrecipitation Measurement and Analysis
Établissements canadiensGovernment of ManitobaManitoba HydroUniversity of Manitoba
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaGovernment of Manitoba
Mots-clésPrecipitationMean squared errorRain gaugeSystematic errorApproximation errorClimate changeSnow

Résumé

récupéré en direct d'OpenAlex

Southern Manitoba, Canada Gridded precipitation products offer an alternative to sparse rainfall observations in the Prairies; however, the accuracy of the products significantly influences the accuracy of streamflow predictions. This study evaluates discrepancies among seven daily gridded precipitation datasets (2018–2023) against gauge observations. The error metrics chosen in this study are informed by the most impactful sources of error that affect hydrological modelling: systematic biases, non-stationary temporal variations, and event-related discrepancies. Seasonal analysis reveals distinct performance patterns across precipitation products. Winter estimates of precipitation exhibit the highest relative bias (RBias), with ERA5_L (199 %), GPM (161 %), and CaPA (137 %) substantially overestimating precipitation, despite having the lowest RMSE values (around 1 mm/day), reflecting the generally low observed precipitation amounts. Conversely, summer estimates of precipitation show lower RBias for MRMS (11.2 %) and ERA5_L (9.15 %), however, they exhibit the largest root mean square error (RMSE) values (up to 9.78 mm/day for GSMAP), indicating large absolute errors driven by intense convective storms. Fall and spring estimates present moderate RBias and RMSE values, with most products performing more consistently. Overall. MRMS and CaPA are the top-performing precipitation products, showing the lowest RMSE and highest correlation across seasons. NLDAS-2, ERA5-L, and PERSIANN have moderate accuracy, while GPM and GSMAP show higher errors and lower correlations. • Differences between seven gridded precipitation datasets are systematically evaluated. • Selected error metrics reflect the most impactful sources of precipitation error. • Seasonally dependent errors in precipitation estimates are dominant. • MRMS and CaPA outperform other products in accuracy and consistency.

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)0,004
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,289

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,136
Tête enseignante GPT0,313
Écart entre enseignants0,177 · 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

Citations1
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Hydrology Regional StudiesMême sujetPrecipitation Measurement and AnalysisTravaux en français237 207