Inferring Optical Depth of Broken Clouds above Green Vegetation Using Surface Solar Radiometric Measurements
Notice bibliographique
Résumé
A method for inferring cloud optical depth τ is introduced and assessed using simulated surface radiometric measurements produced by a Monte Carlo algorithm acting on fields of broken, single-layer, boundary layer clouds derived from Landsat imagery. The method utilizes a 1D radiative transfer model and time series of zenith radiances and irradiances measured at two wavelengths, λ1 and λ2, from a single site with surface albedos αλ1 < αλ2. Assuming that clouds transport radiation in accordance with 1D theory and have spectrally invariant optical properties, inferred optical depths τ′ are obtained through cloud-base reflectances that are approximated by differencing spectral radiances and estimating upwelling fluxes at cloud base. When initialized with suitable values of αλ1, αλ2, and cloud-base altitude h, this method performs well at all solar zenith angles. Relative mean bias errors for τ′ are typically less than 5% for these cases. Relative variances for τ′ for given values of inherent τ are almost independent of inherent τ and are <50%. Errors due to neglect of net horizontal transport in clouds yield slight, but systematic, overestimates for τ ≲ 5 and underestimates for larger τ. Frequency distributions and power spectra for retrieved and inherent τ are often in excellent agreement. Estimates of τ depend weakly on errors in h, especially when h is overestimated. Also, they are almost insensitive to errors in surface albedo when αλ1 is underestimated and αλ2 overestimated. Reversing the sign of these errors leads to overestimation of τ, particularly large τ. In contrast, the conventional method of using only surface irradiance yields almost entirely invalid results when clouds are broken. Though results are shown only for surfaces resembling green vegetation (i.e., αλ1 ≪ αλ2), the performance of this method depends little on the values of αλ1, and αλ2. Thus, if radiometric data have sufficient signal-to-noise ratios and suitable wavelengths can be found, this method should yield reliable estimates of τ for broken clouds above many surface types.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 | 0,000 |
| 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 ».