Detecting thin cirrus in Multiangle Imaging Spectroradiometer aerosol retrievals
Notice bibliographique
Résumé
Thin cirrus clouds (optical depth (OD) < 0.3) are often undetected by standard cloud masking in satellite aerosol retrieval algorithms. However, the Multiangle Imaging Spectroradiometer (MISR) aerosol retrieval has the potential to discriminate between the scattering phase functions of cirrus and aerosols, thus separating these components. Theoretical tests show that MISR is sensitive to cirrus OD within Max{0.05, 20%}, similar to MISR's sensitivity to aerosol OD, and MISR can distinguish between small and large crystals, even at low latitudes, where the range of scattering angles observed by MISR is smallest. Including just two cirrus components in the aerosol retrieval algorithm would capture typical MISR sensitivity to the natural range of cirrus properties; in situations where cirrus is present but the retrieval comparison space lacks these components, the retrieval tends to underestimate OD. Generally, MISR can also distinguish between cirrus and common aerosol types when the proper cirrus and aerosol optical models are included in the retrieval comparison space and total column OD is >∼0.2. However, in some cases, especially at low latitudes, cirrus can be mistaken for some combinations of dust and large nonabsorbing spherical aerosols, raising a caution about retrievals in dusty marine regions when cirrus is present. Comparisons of MISR with lidar and Aerosol Robotic Network show good agreement in a majority of the cases, but situations where cirrus clouds have optical depths >0.15 and are horizontally inhomogeneous on spatial scales shorter than ∼50 km pose difficulties for cirrus retrieval using the MISR standard aerosol 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 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 tête enseignante, 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 ».