Evaluating Global Precipitation Measurement Mission in the High Latitudes: A Case Study in Canada
Notice bibliographique
Résumé
Precipitation is a vital component in the water cycle. Measuring accurate precipitation is significant because it is important to know when, where, and how much precipitation is occurring. Precipitation has commonly been measured using ground-based devices such as rain gauges and ground radars. Although these methods have worked well, their spatial coverage is restricted to land. With the development of satellite precipitation products, it is possible to obtain measurements at high spatial and temporal resolution. Satellite precipitation products can help get a better understanding of the Earth???s water distribution as well as improve the forecasting for extreme precipitation events. However, satellite products are prone to error, which make it necessary to evaluate their performances. The objective of the study is to assess the quality of the Global Precipitation Measurement (GPM) mission in the high latitudes. This study will use GPM Integrated Multi-satellitE Retrievals (IMERG), which is a data product that uses an algorithm that combines all passive-microwave instruments in the GPM satellite Constellation into half-hourly precipitation and daily estimates. The performance of GPM-IMERG is evaluated by comparing the estimates against ground-based observations over the high latitudes, mainly focusing on Canada from April 2014 to October 2017. For the evaluation, various statistical measures are applied in order to investigate the performances such as root mean square error, correlation coefficient, bias and other statistics derived from the contingency table.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».