Bridging the gap between cyclone wind and wave by <scp>C</scp>‐band <scp>SAR</scp> measurements
Notice bibliographique
Résumé
Abstract Active microwave remote sensing of hurricane‐strength wind is a challenging task due to the saturation of col‐polarization backscattering signal under such condition. Here we take advantage of the fact that wind sea wave growth does not saturate at high wind and the intrinsic relationship among wind‐wave triplets (sea surface wind speed, significant wave height, and peak wave period) within a tropical storm to derive the wind speed. Three Sentinel‐1 (S‐1) and nine RADARSAT‐2 (R‐2) C‐band synthetic aperture radar (SAR) images acquired between 20 and 40 m/s winds are collected in this study. The S‐1 and R‐2 SAR‐derived winds are compared with those measured by coincident National Oceanic and Atmospheric Administration Stepped‐Frequency Microwave Radiometer (SFMR) and simulated by Symmetric Hurricane Estimates for Wind (SHEW) model. Validations against SFMR winds for S‐1 show Root‐Mean‐Square Error (RMSE) of 1.7 m/s with a 0.2 m/s bias at the left side of cyclone centers and RMSE of 2.9 m/s RMSE with a 0.56 bias at the backside of cyclone centers. R‐2 SAR‐derived winds against SHEW model results show a RMSE of 2.4 m/s with a 0.3 m/s bias and 2.6 m/s with a 0.35 m/s bias at the right side and the left side of cyclone centers, while the RMSE is 3.9 m/s with a 0.1 m/s bias at the backside of cyclone centers. The wave‐information‐based wind retrieval method works well at the left side and right side, but less accurately at the backside of a tropical storm when wind wave and swell are mixed.
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 | 0,003 | 0,003 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».