Canada1Water - Correction par apprentissage automatique des biais des températures du sol ERA5-Land et FLDAS à l'aide de SWE et NDVI

Du 26 au 29 mai 2024, Tyler Herrington a participé à la conférence annuelle de l'Union Géophysique Canadienne (UGC) pour présenter son récent travail intitulé " Machine-Learning Based Bias Correction of ERA5-Land and FLDAS Soil Temperatures Using SWE and NDVI " (Correction par apprentissage automatique des biais des températures du sol ERA5-Land et FLDAS à l'aide de SWE et NDVI). La présentation a abordé des questions critiques identifiées dans des études antérieures, mettant en évidence des biais substantiels dans les estimations de température du sol basées sur les réanalyses et les LDAS. Après avoir évalué les performances de trois méthodes distinctes de correction des biais : la soustraction du biais moyen (MBS), la régression linéaire multiple (MLR) et la forêt aléatoire (RF). Les questions de recherche centrales qui ont guidé son enquête étaient de savoir si les approches d'apprentissage automatique pouvaient corriger efficacement les biais dans les températures du sol ERA5-Land et FLDAS et comment les différentes techniques de correction se comparaient dans la réduction de ces biais.

Une semaine plus tard, Tyler a participé à l'Eastern Snow Conference où il a présenté un autre exposé sur ce travail. Consultez le poster ci-dessous pour découvrir les recherches innovantes menées sur l'utilisation de l'apprentissage automatique pour améliorer la précision des températures du sol dans les ensembles de données ERA5-Land et FLDAS.

Cliquez ici pour voir une copie haute résolution de l'affiche.

Correction par apprentissage automatique des biais des températures du sol ERA5-Land et FLDAS à l'aide de SWE et NDVI - (en anglais) Capture d'écran de la présentation.