MétaCan
Menu
Retour à la cohorte
Enregistrement W4281921892 · doi:10.1364/ao.458566

Polarimetric multiple scattering LiDAR model based on Poisson distribution

2022· article· en· W4281921892 sur OpenAlexaff
G. Roy, Grégoire Tremblay

Notice bibliographique

RevueApplied Optics · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric aerosols and clouds
Établissements canadiensDefence Research and Development Canada
Organismes subventionnairesnon disponible
Mots-clésLidarScatteringOpticsRemote sensingPolarimetryPoisson distributionPhysicsMonte Carlo methodMie scatteringAerosolSIGNAL (programming language)Range (aeronautics)Forward scatterBackscatter (email)Photon countingAtmospheric opticsField of viewLight scatteringPhotonMaterials scienceMeteorologyGeologyComputer scienceStatistics

Résumé

récupéré en direct d'OpenAlex

Multiple scattering is always present in LiDAR measurements. It is one of the major causes of LiDAR signal depolarization when detecting backscattering from water clouds. For a given probing wavelength, the LiDAR signal is a function of the aerosol size distribution, cloud range, and optical depth, and of the LiDAR field of view (FoV). We present a relatively simple polarimetric multiple scattering model. It uses Poisson statistics to determine the photons' scattering order distribution at a given optical depth and takes into account the aerosol's properties as well as the characteristics of the LiDAR. The results are compared with Monte Carlo simulations performed on two types of cumulus clouds and on a moderate water fog. Good agreement is demonstrated for the total LiDAR signal and the depolarization parameter for a FoV of 1 mrad and a large FoV of 12 mrad.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,117
Score d'incertitude au seuil0,665

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,008
Tête enseignante GPT0,196
Écart entre enseignants0,188 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied OpticsMême sujetAtmospheric aerosols and cloudsTravaux en français237 207