XiaoMi-AI文件搜索系统
World File Search System雪水
对雪水等效预测中机器学习的评论
摘要3 1简介3 1.1 SWE的定义3 1.2 SWE估算的意义和动机4 1.3当前的操作SWE监视5 1.3.1地面测量6 1.3.2模型产品7 1.4 ML 9 1.5当前挑战9 2。SWE估计方法的历史发展10 2.1经验方法10 2.2基于物理的方法11 2.3数据驱动方法13 3.当前基于机器学习的SWE估计研究15 3.1早期努力（2000-2014）15 3.2最新技术（现状）（现状）（2014年至今）18 4。ml福利和瓶颈20 5。讨论和未来方向26 5.1 SWE的广义AI 26 5.2 SWE的自学习剂26 5.3将SWE AI纳入较大的地球AI模型27 6.结论28作者贡献28致谢28资金28参考28
一个简单的雪温度指数模型暴露了重新分析雪水等效产品之间的差异
摘要。当前的全球重新分析显示，北半球的雪质和雪覆盖范围中有明显的差异。在这里，通过驱动简单的雪模型，棕色的温度指数模型（B-TIM），并从三个reanalyses的温度和沉淀产生基准的雪数据集。在对现场降雪测量值进行评估时，降雪的B-TIM比在线（耦合的土地 - 大气层）重新分析降雪相当或更好。在降雪中的差异来源，在比较在线重新分析雪产品时很难分离，通过单独调整的温度和B-TIM的预先态度来部分阐明。雪质和雪空间模式的年际变异性在b-Tim雪产品中比在线重新分析的雪产品中更加自吻，而自吻的产品与在验证研究中评估的原位观察结果更相似。特定的与雪数据同化的时间不均匀性有关的伪影。B- Tim在此处以开源的，独立的Python软件包发布，为将来的在线和流雪数据集提供了一个简单的基准测试工具。
一个简单的雪温度指数模型暴露了重新分析雪水等效产品之间的差异
包括偏见，无偏的根平方误差（URMSE）和相关性，包括在图1和图2中。3G-I。 在所有情况下，重建的数据集都比重新分析数据集较低，相关性较高。 URMSE是通过从参考SWE和每组产品SWE值中删除平均值，然后用这些无偏数据集计算根平方误差的平均值。3G-I。在所有情况下，重建的数据集都比重新分析数据集较低，相关性较高。URMSE是通过从参考SWE和每组产品SWE值中删除平均值，然后用这些无偏数据集计算根平方误差的平均值。
3 - 测量雪水分和密度的方法 - DTIC
Denoth 雪水仪是一种电子设备，可在 20 MHz 下测量雪的介电常数的实部。通过雪水和密度的经验关系可以计算出雪体积湿度（Denoth，1989）。必须单独测量密度才能输入到方程中。这是使用 100 cm3 矩形盒式切割器完成的，并在电子秤上称量样品。这些测量是在雪块的侧壁进行的，图 2 和 3 CRREL 库存中有五台 Denoth 仪表。在实验室环境中，每台都用于检查它们当前的准确性和相互校准？两台 Denoth 仪表可供现场使用。一台属于 CRREL，另一台属于另一个机构。距离地面 5cm 以内的测量值会受到下层表面介电特性的影响，应谨慎解释。