A Satellite-Based Fog Detection Scheme Using Screen Air Temperature
Notice bibliographique
Résumé
Abstract A warm fog detection (air temperature > −5°C) algorithm using a combination of Geostationary Operational Environmental Satellite-12 (GOES-12) observations and screen temperature data based on an operational numerical model has been developed. This algorithm was tested on a large number of daytime cases during the spring and summer of 2004. Results from the scheme were compared with surface observations from four manned Canadian weather stations in Ontario, including Ottawa, Windsor, Sudbury, and Toronto. Initially, when all cases were included, fog detection (hit rate) by the satellite scheme ranged between 0.26 and 0.32. It is suggested that mid- or high-level clouds within the satellite imagery during the observed foggy periods affected the scheme’s performance in detecting surface-level fog for the majority of the cases. When cases with mid- and high-level clouds were removed using model-based screen temperatures, the hit rate ranged between 0.55 and 1.0. With an average false alarm rate of 0.10, the inclusion of model-based sounding values can be seen to improve results from the satellite-based algorithms by an average of 0.42. Average differences between the screen temperature and the surface-observed air temperature were found to be up to 2°C and this can likely account for some discrepancies in detecting fog. Finally, averaging GOES and model data to scales representing single data-point observations likely resulted in some of the failure of the fog algorithm.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».