MétaCan
Menu
Retour à la cohorte
Enregistrement W3194366956 · doi:10.5194/amt-14-5717-2021

A simulation-experiment-based assessment of retrievals of above-cloud temperature and water vapor using a hyperspectral infrared sounder

2021· article· en· W3194366956 sur OpenAlexafffund
Jing Feng, Yi Huang, Zhipeng Qu

Notice bibliographique

RevueAtmospheric measurement techniques · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric aerosols and clouds
Établissements canadiensEnvironment and Climate Change CanadaMcGill University
Organismes subventionnairesCanadian Space AgencyUniversité de LilleNatural Sciences and Engineering Research Council of CanadaMcGill University
Mots-clésRadianceEnvironmental scienceRemote sensingHyperspectral imagingEffective radiusWater vaporMeteorologyRadiative transferAtmospheric Infrared SounderBrightness temperatureCloud topInfraredCloud computingNumerical weather predictionComputer scienceBrightnessGeologyPhysicsOptics

Résumé

récupéré en direct d'OpenAlex

Abstract. Measuring atmospheric conditions above convective storms using spaceborne instruments is challenging. The operational retrieval framework of current hyperspectral infrared sounders adopts a cloud-clearing scheme that is unreliable in overcast conditions. To overcome this issue, previous studies have developed an optimal estimation method that retrieves the temperature and humidity above high thick clouds by assuming a slab of cloud. In this study, we find that variations in the effective radius and density of cloud ice near the tops of convective clouds lead to non-negligible spectral uncertainties in simulated infrared radiance spectra. These uncertainties cannot be fully eliminated by the slab-cloud assumption. To address this problem, a synergistic retrieval method is developed here. This method retrieves temperature, water vapor, and cloud properties simultaneously by incorporating observations from active sensors in synergy with infrared radiance spectra. A simulation experiment is conducted to evaluate the performance of different retrieval strategies using synthetic radiance data from the Atmospheric Infrared Sounder (AIRS) and cloud data from CloudSat/CALIPSO. In this experiment, we simulate infrared radiance spectra from convective storms through a combination of a numerical weather prediction model and a radiative transfer model. The simulation experiment shows that the synergistic method is advantageous, as it shows high retrieval sensitivity to the temperature and ice water content near the cloud top. The synergistic method more than halves the root-mean-square errors in temperature and column integrated water vapor compared to prior knowledge based on the climatology. It can also improve the quantification of the ice water content and effective radius compared to prior knowledge based on retrievals from active sensors. Our results suggest that existing infrared hyperspectral sounders can detect the spatial distributions of temperature and humidity anomalies above convective storms.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,163
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,280
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAtmospheric measurement techniquesMême sujetAtmospheric aerosols and cloudsTravaux en français237 207