Updated monthly and new daily bias correction for assimilation-based passive microwave SWE retrieval
Notice bibliographique
Résumé
Abstract. Snow water equivalent (SWE) is a valuable characteristic of global snowpack, and it can be estimated using passive spaceborne radiometer measurements. The radiometer-based GlobSnow SWE retrieval methodology, which assimilates weather station snow depth observations with passive microwave brightness temperatures, has improved the reliability and accuracy of SWE retrieval when compared to stand-alone radiometer passive microwave (PMW) methods. However, even this assimilation-based method fails to estimate large (> 150 mm) SWE values as snow changes from a scatterer to an emitter. Correcting for these systematic biases can improve PMW-based SWE estimates, especially for high SWE magnitudes. Previously, a monthly bias correction using snow course observations was applied to the GlobSnow v3 product for February–May. This method reduced the spread in March SWE estimated from four gridded products. In this research, we use newly available snow course data to update this bias correction and expand it to cover the months of December through May; we also extend the monthly bias correction to a daily bias correction. The new monthly and daily bias corrections are applied to an updated version of the GlobSnow product - Snow CCI v3.1 product. The Northern Hemisphere climatological snow mass from the Snow CCI v3.1 bias corrected products (daily and monthly) is consistent with that from a suite of reanalysis products. This represents a significant improvement for the months of April and May compared to the original GlobSnow v3.0 bias corrected product, as is the provision of daily bias corrected 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 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 | 0,000 | 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 | 0,001 | 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) | 0,001 | 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 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 ».