A Deep-Learning-Based Microwave Radiative Transfer Emulator for Data Assimilation and Remote Sensing
Notice bibliographique
Résumé
In this article, we introduce a fully connected deep neural network algorithm to emulate the Community Cadiative Transfer Model (FCDN_CRTM) simulation of brightness temperatures (BTs) from the Advanced Technology Microwave Sounder (ATMS) channels for clear-sky cases over ocean surfaces. The FCDN_CRTM fine-tuned through three sensitivity experiments with respect to sample-size determination, model separation, and introduction of novel features toward improving the accuracy of the model. In addition to the BT simulation, we evaluated the Jacobians with respect to surface and atmospheric parameters. Atmosphere profiles from the European Centre for Medium-Range Weather Forecasts, sea surface temperature from the Canadian Meteorology Centre, and ATMS sensor data records were used as FCDN_CRTM inputs. In comparison to CRTM, the FCDN_CRTM minus CRTM mean biases were within several hundredths of a Kelvin (K), and the corresponding standard deviations (SDs) were between 0.05 and 0.15 K for all ATMS bands. The accuracies for both mean bias and SD were consistent throughout the evaluation period, which spanned approximately 1 year beyond the period of the FCDN_CRTM training dataset. Furthermore, the model Jacobians generally compared well with CRTM Jacobians in terms of surface temperature, wind speed, air temperature, and (log) water vapor. The performance of the FCDN_CRTM forward and Jacobian model indicate potential for use in data assimilation and physical retrieval systems, such as the NOAA operational Microwave Integrated Retrieval System.
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 | 0,001 | 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 ».