Aerosol classification using airborne High Spectral Resolution Lidar measurements – methodology and examples
Notice bibliographique
Résumé
Abstract. The NASA Langley Research Center (LaRC) airborne High Spectral Resolution Lidar (HSRL) on the NASA B200 aircraft has acquired extensive datasets of aerosol extinction (532 nm), aerosol optical thickness (AOT) (532 nm), backscatter (532 and 1064 nm), and depolarization (532 and 1064 nm) profiles during 18 field missions that have been conducted over North America since 2006. The lidar measurements of aerosol intensive parameters (lidar ratio, depolarization, backscatter color ratio, and spectral depolarization ratio) are shown to vary with location and aerosol type. A methodology based on observations of known aerosol types is used to qualitatively classify the extensive set of HSRL aerosol measurements into eight separate types. Several examples are presented showing how the aerosol intensive parameters vary with aerosol type and how these aerosols are classified according to this new methodology. The HSRL-based classification reveals vertical variability of aerosol types during the NASA ARCTAS field experiment conducted over Alaska and northwest Canada during 2008. In two examples derived from flights conducted during ARCTAS, the HSRL classification of biomass burning smoke is shown to be consistent with aerosol types derived from coincident airborne in situ measurements of particle size and composition. The HSRL retrievals of AOT and inferences of aerosol types are used to apportion AOT to aerosol type; results of this analysis are shown for several experiments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».