Separating Cloud and Drizzle Signals in Radar Doppler Spectra Using a Parametric Time Domain Method
Notice bibliographique
Résumé
Abstract The ability to separate cloud and drizzle returns in active remote sensing observations is important for understanding the microphysics of clouds and precipitation. Yet, robust separations remain challenging in radar remote sensing. Prior methods for cloud and drizzle separation for radar observations use the properties of the Doppler spectra such as skewness. However, these methods have challenges when the drizzle becomes dominant in the observation volume. This paper presents a parametric time domain method (PTDM) that separates cloud and drizzle using the Doppler spectra measurements without assuming any prior properties of cloud and drizzle. The advantage of PTDM is that it can estimate the signal properties in the time domain and can obtain the cloud and drizzle estimates simultaneously. Based on our radar signal simulations, the uncertainty in estimated power and velocity from PTDM are within 2 dB and 0.02 m s −1 , respectively. We have also evaluated the PTDM algorithm using observations from the Atmospheric Radiation Measurement (ARM) Program W-band cloud radar in the Clouds, Aerosols, and Precipitation in the Marine Boundary Layer (CAP-MBL) campaign at the Azores in 2009–10. Two cases corresponding to light and moderate drizzling conditions are considered for the study. The statistics of the estimates obtained show that the PTDM method performs well in separating the cloud and drizzle returns. Finally, the estimated cloud and drizzle reflectivity from PTDM were used to retrieve their corresponding microphysical properties, showing that the retrieved liquid water path agrees to 25 g m −2 with the benchmark microwave method.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».