In the first Monte Carlo (MC) run c

In the first Monte Carlo (MC) run collection, the merged rain estimates had a factor range of 0.2 to 1.35 (see factor 24 in Table 1), reflecting the radar depth bias across the study events (Table 2). Figure 7a shows the all-event influence of the rain depth bias factor (RainM; refer to Table 1). The total-order indices show the dominant influence of RainM, highlighting the importance of depth bias-free rain inputs for accurate forecasts. LFB has a second-order effect, though most of the individual peaks have negligible second- and first-order effects (not shown). This would have made it difficult to detect the rain influence from the behavioral classification using sensitivity analysis (SA) methods which do not explicitly consider interaction at all orders (e.g., RSA or regional SA with a second-order factor correlation analysis). The rain influence using RSA is probably better detected from LFs like the multiobjective LFM on which RainM is seen to have a significant first-order effect. Also, use of identifiability plots may help to constrain the RainM uncertainty in regions without rain gauge measurements, potentially allowing the universal application of radar rain estimates under the current large depth biases

ผลลัพธ์ (ไทย) 1:

ในแรกมอนติคาร์โล (MC) เรียกใช้คอลเลกชัน การประเมินผสานฝนมีปัจจัยหลากหลาย 0.2 ถึง 1.35 (ดูปัจจัยที่ 24 ในตารางที่ 1), สะท้อนเรดาร์อคติความลึกข้ามเหตุการณ์ศึกษา (ตารางที่ 2) รูปที่ 7a แสดงเหตุการณ์ทั้งอิทธิพลของปัจจัย bias ความลึกฝน (RainM อ้างถึงตารางที่ 1) ดัชนีรวมสั่งแสดงอิทธิพลหลักของ RainM เน้นความสำคัญของอินพุตฝนปราศจากอคติความลึกสำหรับการคาดการณ์ที่แม่นยำ LFB มีผลลำดับสอง แม้ว่าส่วนใหญ่ของแต่ละยอดมีผลเล็กน้อยสอง - และลำดับแรก (ไม่แสดง) นี้เป็นสิ่งยากที่จะตรวจสอบอิทธิพลฝนจากการจัดประเภทพฤติกรรมโดยใช้วิธีวิเคราะห์ (SA) ความไวซึ่งได้พิจารณาการโต้ตอบที่สั่งซื้อทั้งหมด (เช่น RSA หรือ SA ในภูมิภาค ด้วยการวิเคราะห์ความสัมพันธ์ปัจจัยที่สองสั่ง) อิทธิพลฝนใช้ RSA ดีกว่าอาจจะตรวจพบจาก LFs เช่น LFM multiobjective ที่ที่ RainM จะเห็นว่ามีผลกระทบลำดับแรก ใช้ identifiability ผืนอาจช่วยจำกัดความไม่แน่นอน RainM ในภูมิภาคโดยการวัดมาตรวัดฝน อาจช่วยให้โปรแกรมประยุกต์สากลของเรดาร์ฝนประเมินภายใต้อคติความลึกขนาดใหญ่ในปัจจุบัน

ผลลัพธ์ (ไทย) 2:

ในครั้งแรกที่ Monte Carlo (MC) คอลเลกชันวิ่งประมาณการฝนรวมมีช่วงปัจจัย 0.2-1.35 (ดูปัจจัยที่ 24 ในตารางที่ 1) สะท้อนให้เห็นถึงอคติลึกเรดาร์ข้ามเหตุการณ์การศึกษา (ตารางที่ 2) รูป 7a แสดงให้เห็นถึงอิทธิพลทุกกรณีที่มีปัจจัยเชิงลึกฝนอคติ (RainM; โปรดดูตารางที่ 1) ดัชนีการสั่งซื้อทั้งหมดแสดงให้เห็นอิทธิพลที่โดดเด่นของ RainM เน้นความสำคัญของความลึกอคติปราศจากปัจจัยการผลิตที่มีฝนสำหรับการคาดการณ์ที่ถูกต้อง LFB มีผลลำดับที่สอง แต่ส่วนใหญ่ของยอดเขาแต่ละคนมีผลกระทบที่สองและลำดับแรกเล็กน้อย (ไม่แสดง) นี้จะได้ทำให้มันเป็นเรื่องยากที่จะตรวจสอบอิทธิพลของฝนจากการจำแนกพฤติกรรมโดยใช้การวิเคราะห์ความไว (SA) วิธีการที่ไม่ชัดเจนพิจารณาปฏิสัมพันธ์ที่สั่งซื้อทั้งหมด (เช่นอาร์เอสหรือภูมิภาค SA ด้วยการวิเคราะห์ลำดับที่สองปัจจัยที่มีความสัมพันธ์) อิทธิพลฝนโดยใช้อาร์เอสอาจจะมีการตรวจพบที่ดีขึ้นจาก LFS เช่น LFM multiobjective ที่ RainM ก็เห็นจะมีผลกระทบในลำดับแรกอย่างมีนัยสำคัญ นอกจากนี้การใช้งานของแปลง identifiability อาจช่วย จำกัด ไม่แน่นอน RainM ในภูมิภาคโดยไม่ต้องวัดวัดปริมาณน้ำฝนที่อาจช่วยให้แอพลิเคชันที่เป็นสากลของประมาณการเรดาร์ฝนภายใต้อคติลึกขนาดใหญ่ในปัจจุบัน

ผลลัพธ์ (ไทย) 3:

ในมอนติคาร์โล ( ก่อน MC ) เรียกเก็บทำให้ฝนประมาณมีปัจจัยในช่วง 0.2 ถึง 1.35 ( ดูปัจจัย 24 ตารางที่ 1 ) ซึ่งสะท้อนให้เห็นถึงความลึกเรดาร์อคติในการศึกษาต่าง ๆ ( ตารางที่ 2 ) รูปงานแสดงเหตุการณ์ทั้งหมดอิทธิพลของฝนที่ความลึกอคติปัจจัย ( rainm ; ดูที่ตารางที่ 1 ) ดัชนีทั้งหมดเพื่อแสดงอิทธิพลเด่นของ rainm เน้นความสำคัญของความลึกอคติฝนกระผมฟรีสำหรับการคาดการณ์ที่ถูกต้อง lfb มีอันดับที่สอง ผล แม้ว่าส่วนใหญ่ของยอดเขาแต่ละผลที่สอง - และ - ลำดับเล็กน้อย ( ไม่แสดง ) นี้จะทำให้มันยากที่จะตรวจจับฝนอิทธิพลจากพฤติกรรมการใช้ การวิเคราะห์ความไว ( SA ) วิธีการที่ไม่ชัดเจนพิจารณาปฏิสัมพันธ์ที่สั่งซื้อทั้งหมด ( เช่น RSA หรือในภูมิภาคที่มีสอง - ปัจจัย การวิเคราะห์สหสัมพันธ์ ) อิทธิพลฝนใช้ RSA น่าจะดีกว่าตรวจพบจาก LFS เหมือน lfm multiobjective ซึ่ง rainm เห็นผลมีความสําคัญ นอกจากนี้ การใช้ identifiability แปลงอาจช่วยกำหนด rainm ความไม่แน่นอนในภูมิภาค โดยการวัดเครื่องวัดฝน อาจให้สากลการประมาณฝนเรดาร์ภายใต้กระแสอคติลึกขนาดใหญ่