MétaCan
Menu
← Retour à la cohorte
Enregistrement W4210455668 · doi:10.5194/amt-2021-2-cc1

Comment on amt-2021-2

2021· peer-review· en· W4210455668 sur OpenAlexfundno aff
Yuli Liu, Gerald G. Mace

Notice bibliographique

Revuenon disponible
Typepeer-review
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric aerosols and clouds
Établissements canadiensnon disponible
Organismes subventionnairesGoddard Space Flight CenterStony Brook UniversityNuclear Safety and Security CommissionNational Center for Atmospheric ResearchEnvironment and Climate Change CanadaColorado State UniversityNational Aeronautics and Space Administration
Mots-clésEnvironmental scienceRemote sensingRadarRadiometerCloud computingComputer scienceBrightness temperaturePrecipitationMeteorologyBayesian probabilityGeologyGeographyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The 2017 National Academy of Sciences Decadal Survey highlighted several high priority objectives to be pursued during the next decadal timeframe, and the next-generation Cloud Convection Precipitation (CCP) observing system is thereby contemplated. In this study, we investigate the capability of two CCP candidates, i.e. a W-band cloud radar and a submillimeter-wave radiometer, in ice cloud remote sensing by developing hybrid Bayesian algorithms for the active-only, passive-only, and synergistic retrievals. The hybrid Bayesian algorithms combine the Bayesian MCI and optimization process to retrieve quantities and uncertainty estimates. The radar-only retrievals employ the optimal estimation methodology, while the radiometer-involved retrievals employ ensemble approaches to maximize the posterior probability density function. The a priori information is obtained from the Tropical Composition, Cloud and Climate Coupling (TC4) in situ data and CloudSat radar observations. Simulation experiments are conducted to evaluate the retrieval accuracies by comparing the retrieved parameters with known values. The experiment results suggest that the radiometer measurements possess high sensitivity for large ice cloud particles, even though the brightness temperature measurements do not contain direct information on the vertical distributions of ice cloud microphysics. The radar-only retrieval demonstrates skill in retrieving ice water content profiles, but not in retrieving number concentration profiles. The synergistic information is demonstrated to be helpful in improving retrieval accuracies, especially in terms of ice water path. The end-to-end simulation experiments also provide a framework that could be extended to the inclusion of other remote sensors to further assess the CCP observing system in future studies.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil0,184

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0040,003
Science ouverte0,0030,002
Intégrité de la recherche0,0330,020
Charge utile insuffisante (le modèle a refusé de juger)0,0550,049

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 Opus0,020
Tête enseignante GPT0,270
Écart entre enseignants0,250 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

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

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAtmospheric aerosols and clouds→Travaux en français237 207→