Satellite‐based estimation of cloud‐base heights using constrained spectral radiance matching
Notice bibliographique
Résumé
A method for estimating cloud‐base heights (CBHs) across wide swaths of passive satellite imagery is introduced. The constrained spectral radiance matching (CSRM) algorithm assigns donor columns observed by CloudSat/CALIPSO to recipient pixels across MODIS imagery. The column meeting the constraint is selected as a donor via spectral radiance matching (SRM). Results are compared using eight cloud characteristics, retrieved from passive imagery, as constraints and distinct values for a matching controlling factor α . Cloud‐top pressure and α = 0.3 are used in the final algorithm. Estimates are made of CBH and layer‐cloud fraction profile made by SRM, CSRM, cloud‐type matching (CTM), and retrieved data matching (RDM) using a data‐exclusion procedure. Results show that the CSRM is superior at estimating lowest CBH and layer‐cloud fraction. It is also shown that, when cloud types are provided by merged CloudSat and CALIPSO data, the CTM provides the best estimates of uppermost CBH, with the CSRM taking second. Both the CSRM method and the straight SRM method construct layer‐cloud fraction profiles very well for clouds between 2 and ∼15 km. A preliminary 3D rendering of tropical storm Soulik is presented.
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 | 0,001 | 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 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 ».