Evaluation and Calibration of Remotely Sensed High Winds from the HY-2B/C/D Scatterometer in Tropical Cyclones
Notice bibliographique
Résumé
Haiyang-2 scatterometers (HY-2A/B/C/D) have limitations in high wind speed retrieval due to the complexity of the remote sensing mechanism and the influence of rainfall on the radar cross section under the conditions of tropical cyclones. In this study, we focus on the evaluation of Chinese scatterometer operational wind products from HY-2B/C/D over the period from July 2019 to December 2021. HY-2B/C/D scatterometer wind products are collocated with SMAP (Soil Moisture Active Passive) L-band radiometer remotely sensed measurements. The results show that the underestimation of high wind speed occurs in the HY-2B/C/D wind speed products. The machine learning algorithms are explored to improve this underestimation issue, including the back propagation neural network (BP-NN), K-nearest neighbor (KNN), support vector machine (SVM), decision tree (DT), random forest (RF), and Bayesian ridge (BR) regression algorithms. Comparisons show that the BP-NN algorithm shows the best performance with a small RMSE (root-mean-square error) of 3.40 m/s, and high correlation coefficient of 0.88, demonstrating an improvement of 20.4% in RMSE (root-mean-square error) compared with the HY-2B/C/D wind speed products. In addition, the revised high winds are in good agreement with the ground truth measurements from the SFMR (Stepped Frequency Microwave Radiometer), which are useful for tropical cyclone disaster prevention and mitigation and are of vital importance in the numerical simulation of storm surges.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».