Validation of the CloudSat precipitation occurrence algorithm using the Canadian C band radar network
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
The ability of CloudSat to detect precipitation in cold season cloud systems is examined using data from the Environment Canada C band weather radar at King City, Ontario. The factors complicating the comparison are the time mismatch, the differences in sensitivity, and the changes to the geometry of cross section with range from the ground radar, W band radar attenuation, and the effect of ground clutter. A total of 40 overpasses with precipitation were observed over the King City radar from September 2006 to April 2007. In about 14% of the precipitation profiles, time mismatches were diagnosed. When these cases were removed, the skill scores of the CloudSat precipitation occurrence product were excellent. The most frequent cause of a false detection was an incorrect precipitation threshold in the algorithm. The most frequent cause of a miss in detection was ground clutter removal of valid echoes by the algorithm. Overall, the CloudSat algorithm handled the effect of attenuation very well. Improvement to the algorithm would arise from a better tuning of the precipitation threshold, a threshold of −10 dBZ instead of −18 dBZ being more appropriate for winter storms in the Great Lakes area, and more effective ground clutter filtering in the lowest four range bins of the CloudSat data. The methodology employed here and the 1456 verified precipitation profiles from CloudSat can serve as a framework for a test bed to evaluate precipitation products from CloudSat.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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