Developing a radar-based machine learning snowfall retrieval algorithm
Notice bibliographique
Résumé
As global temperatures continue to rise, snowfall patterns are expected to respond in a complex, nonlinear manner. Changes in the quantity of snowmelt-derived freshwater will impact global water-energy budgets, flood frequencies and intensities, and regional water resource management practices. Remote sensing is an observational alternative to poorly constrained reanalysis-derived estimates of snow water equivalent (SWE) across Arctic regions. We present an outlier detection methodology which leverages remote sensing data from CloudSat to constrain reanalysis product estimates of SWE. This analysis highlights areas and periods of high uncertainty in the gridded reanalysis datasets, and identifies a systematic positive SWE bias (of 14.9%) in a blended reanalysis product as a consequence of these low-quality estimates. The ability to use remotely sensed observations to characterize error in surface SWE estimates is incredibly powerful, however, remote sensing datasets are not without their own sources of uncertainty. This work also, therefore, examines the capabilities of a machine learning snowfall retrieval algorithm trained on vertically pointing surface radar data at a Global Precipitation Measurement (GPM) validation experiment site in southern Ontario. Random forest (RF) retrieval performance is compared to an ensemble of traditional Ze-S power law relationships, with the RF consistently displaying the lowest overall error. The RF also demonstrates a level of robustness not present in the power law relations, with low error when applied to unseen observations from a study site with a different regional climate. We further extend this methodology to a general machine learning precipitation retrieval across the wider northern hemisphere (NH) using additional input covariates, data from multiple sites over a longer time period, and by adopting a more sophisticated deep learning paradigm. The DeepPrecip retrieval algorithm displays a 187% improvement in snowfall retrieval accuracy when compared to traditional Ze-S/R power law relationships, and a 21% improvement over the aforementioned RF. The highly generalized nature of DeepPrecip facilitates its application to unseen data with only a small performance reduction. DeepPrecip also provides insight into the regions of the vertical column (below 1 km and between 1.5−2 km) most effective in contributing to high retrieval accuracy, highlighting the important role of ML in current and future spaceborne remote sensing precipitation missions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».