Rainfall Estimation from Polarimetric S-Band Radar Measurements: Validation of a Neural Network Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract A procedure for the estimation of rainfall rate, capitalizing on a radar-based raindrop size distribution (RSD) parameter retrieval and neural network (NN) inversion techniques, is validated using an extensive and quality-controlled archive. The RSD retrieval algorithm utilizes polarimetric variables measured by the polarimetric prototype of the Weather Surveillance Radar-1988 Doppler (WSR-88D) in Norman, Oklahoma (KOUN), through an ad hoc regularized neural network method. Evaluation of rainfall estimation from the NN-based method is accomplished using a large radar data and surface gauge observation dataset collected in central Oklahoma during the multiyear Joint Polarization Experiment (JPOLE) field campaign. Point estimates of hourly rainfall accumulations and instantaneous rainfall rates from NN-based and parametric polarimetric rainfall relations are compared with dense surface gauge observations. Rainfall accumulations from RSD retrieval-based methods are shown to be sensitive to the choice of a raindrop fall speed model. To minimize the impact of this choice, a new “direct” neural network approach is tested. Proposed NN-based approaches exhibit bias and root-mean-square error characteristics comparable with those obtained from parametric relations, specifically optimized for the JPOLE dataset, indicating an appealing generalization capability with respect to the climatological context. All tested polarimetric relations are shown to be sensitive to hail contamination as inferred from the results of automatic polarimetric echo classification and available storm reports.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle