Deep learning for multi-source precipitation fusion on the Qinghai–Tibet Plateau
Notice bibliographique
Résumé
Accurate precipitation estimation remains a considerable challenge across the Qinghai–Tibet Plateau (QTP). By integrating the strengths of in situ gauge accuracy and the spatiotemporal continuity of gridded products, this study developed a highly accurate spatiotemporal deep fusion model using Convolutional Neural Networks (CNN) and long short-term memory (LSTM) networks (CNN-LSTM) to combine remote sensing estimates (TRMM-3B42V7, IMERG-FinalV06), reanalysis products (ERA5-Land), and in situ rain gauges. The CNN handles spatial feature extraction, whereas the LSTM captures temporal dependencies. Evaluations at 104 rain gauge stations across the QTP demonstrated that CNN-LSTM model significantly outperforms both traditional ANN/CNN fusion models and individual gridded precipitation products. It achieved an overall correlation coefficient (CC) of 0.61 and a root mean square error (RMSE) of 2.73 mm/d at the daily scale. Furthermore, its advantages are manifested in three key aspects: temporally, it consistently performs best across multiple time scales (daily, monthly, seasonal, and annual); spatially, it performs better at the vast majority of stations, particularly in the southeastern and southern regions with complex precipitation gradients; additionally, it demonstrates superior detection performance across all precipitation intensities, particularly for heavy and torrential rainfall events. This result enhance the understanding of the water cycle in the QTP.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».