Improved Himawari‐8/AHI Radiance Data Assimilation With a Double Cloud Detection Scheme
Notice bibliographique
Résumé
Abstract This study explores the possibility of improving the impact of the Advanced Himawari Imager (AHI) clear‐sky radiance data assimilation (DA), focusing on cloud detection. First, the performance of the “clear‐channel” detection scheme of the minimum residual (MR) method embedded in the Gridpoint Statistical Interpolation (GSI) DA system is compared with the performances of the CLouds from Advanced Very High Resolution Radiometer Extended (CLAVR‐x) cloud processing system and the Moderate Resolution Imaging Spectroradiometer (MODIS) cloud‐product‐generating algorithm. The MR scheme does not reliably identify optically thin clouds along cloud edges. The MR‐estimated cloud‐top pressures are often too high for upper‐level clouds, rendering some cloud‐contaminated channels falsely clear. An infrared‐only AHI cloud mask (ACM) algorithm is added to the MR scheme to perform a so‐called double cloud detection (DCD). The DCD scheme adds nine ACM tests for selecting clear pixels and two thin cloud tests for rejecting pixels affected by upper‐level clouds. For a 1‐month period, we show the positive impacts of assimilating AHI infrared channels on short‐term forecasts of temperature and humidity using the DCD scheme rather than the MR scheme. Improvements in the DCD experiment extend more vertically, horizontally, and temporally than those in the MR experiment during the 48‐hr forecasting time. In terms of daily variations in forecasting performance, the DCD experiment consistently improves while the MR experiment fluctuates between improvement and degradation. Such improvements come from an elimination of those data having negative observation‐minus‐background values of large magnitudes due to cloud contamination, which causes positive biases in humidity analyses.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».