Notice bibliographique
Résumé
Abstract. An algorithm based on triple-frequency (X, Ka, W) radar measurements that retrieves the size, water content and degree of riming of ice clouds is presented. This study exploits the potential of multi-frequency radar measurements to provide information on bulk snow density that should underpin better estimates of the snow characteristic size and content within the radar volume. The algorithm is based on Bayes' rule with riming parameterised by the “fill-in” model. The radar reflectivities are simulated with a range of scattering models corresponding to realistic snowflake shapes. The algorithm is tested on multi-frequency radar data collected during the ESA-funded Radar Snow Experiment For Future Precipitation Mission. During this campaign, in situ microphysical probes were mounted on the same aeroplane as the radars. This nearly perfectly co-located dataset of the remote and in situ measurements gives an opportunity to derive a combined multi-instrument estimate of snow microphysical properties that is used for a rigorous validation of the radar retrieval. Results suggest that the triple-frequency retrieval performs well in estimating ice water content (IWC) and mean mass-weighted diameters obtaining root-mean-square errors of 0.13 and 0.15, respectively, for log 10IWC and log 10Dm. The retrieval of the degree of riming is more challenging, and only the algorithm that uses Doppler information obtains results that are highly correlated with the in situ data.
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 | 0,002 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,019 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,272 | 0,214 |
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 ».