Assessing synergistic radar and radiometer capability in retrieving ice cloud microphysics based on hybrid Bayesian algorithms
Notice bibliographique
Résumé
The 2017 National Academy of Sciences Decadal Survey highlighted several high-priority objectives to be pursued in the decadal timeframe, and the next-generation Cloud, Convection and Precipitation (CCP) observing system is thereby contemplated. In this study, we develop a suite of hybrid Bayesian algorithms to evaluate two CCP remote sensor candidates including a W-band cloud radar and a (sub)millimeter-wave radiometer with channels in the 118–880 GHz frequency range for capability in constraining ice cloud microphysical quantities. The algorithms address active-only, passive-only, and synergistic active–passive retrievals. The hybrid Bayesian algorithms combine the Bayesian Monte Carlo integration and optimization process to retrieve quantities with 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. A priori information is obtained from the Tropical Composition, Cloud and Climate Coupling (TC4) in situ data and CloudSat radar observations. End-to-end 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 to ice cloud particles with large water content. The radar-only retrievals demonstrate capability in reproducing ice water content profiles, but the performance in retrieving number concentration is poor. The synergistic observations enable improved pixel-level retrieval accuracies, and the improvements in ice water path retrievals are significant. The proposed retrieval algorithms could serve as alternative methods for exploring the synergistic active and passive concept, and the algorithm framework 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».