A New Method for Simulation of Lunar Microwave Brightness Temperatures and Evaluation of Chang'E‐2 MRM Data Using Thermal Constraints From Diviner
Notice bibliographique
Résumé
Abstract We used the bolometric brightness temperatures (T Bol ) derived from the Lunar Reconnaissance Orbiters Diviner Lunar Radiometer (Diviner) as an upper boundary condition in our thermal model. We then calculated temperature profiles at any local time based on our improved thermal model at low to middle latitudes (70° N/S). Based on the temperature profiles, we modeled the midnight brightness temperature at 19.35 (T B19 ) and 37 GHz (T B37 ). Comparing to the Chang'E‐1 and Chang'E‐2 (CE‐1/2) observations, we found that CE‐1 showed a better data quality than that of CE‐2, especially for the T B37 data. Assuming that the issue with the CE‐2 data is caused by heat contamination of the cold‐reference antennas, we performed an empirical normalization of the CE‐2 microwave radiometer data near midnight following the approach of Hu et al. (2017). The results show that T B difference (modeled values minus modified T B ) for 19.35 GHz is less than 3.40 K for ∼80% of the pixels. At 37 GHz, ∼67% of the pixels have T B difference less than 2.88 K. Additionally, we identified some areas of low microwave temperature in our modified T B maps. These low‐T B features can be characterized by two types: (1) low T B spots at fresh craters with high rock abundance and bright rays and (2) high‐Ti lunar mare surfaces with a low content of rock fragments. Investigating these low‐T B regions with the modified T B data can reveal more information about subsurface thermal regime and properties and help us better understand the evolution of regolith on the Moon.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».