Automated rain rate estimates using the Ka-band ARM zenith radar (KAZR)
Notice bibliographique
Résumé
Abstract. The use of millimeter wavelength radars for probing precipitation has recently gained interest. However, estimation of precipitation variables is not straightforward due to strong signal attenuation, radar receiver saturation, antenna wet radome effects and natural microphysical variability. Here, an automated algorithm is developed for routinely retrieving rain rates from the profiling Ka-band (35-GHz) ARM (Atmospheric Radiation Measurement) zenith radars (KAZR). A 1-dimensional, simple, steady state microphysical model is used to estimate impacts of microphysical processes and attenuation on the profiles of radar observables at 35-GHz and thus provide criteria for identifying situations when attenuation or microphysical processes dominate KAZR observations. KAZR observations are also screened for signal saturation and wet radome effects. The algorithm is implemented in two steps: high rain rates are retrieved by using the amount of attenuation in rain layers, while low rain rates are retrieved from the reflectivity–rain rate (Ze–R) relation. Observations collected by the KAZR, rain gauge, disdrometer and scanning precipitating radars during the DYNAMO/AMIE field campaign at the Gan Island of the tropical Indian Ocean are used to validate the proposed approach. The differences in the rain accumulation from the proposed algorithm are quantified. The results indicate that the proposed algorithm has a potential for deriving continuous rain rate statistics in the tropics.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».