Evaluating Snow Microwave Radiative Transfer (SMRT) model emissivities with 89 to 243 GHz observations of Arctic tundra snow
Notice bibliographique
Résumé
Improved modelling of snow emissivity is needed to improve the assimilation of surface-sensitive atmospheric sounding observations from satellites in polar regions for numerical weather prediction (NWP). This paper evaluates emissivity simulated with the Snow Microwave Radiative Transfer (SMRT) model using observations of Arctic tundra snow at frequencies between 89 and 243 GHz. Measurements of snow correlation length, density and layer thickness were used as input to SMRT, and an optimisation routine was used to assess the impact of each parameter on simulations of emissivity when compared to a set of Lambertian emissivity spectra, retrieved from observations of tundra snow from three flights of the Facility for Airborne Atmospheric Measurements (FAAM) aircraft. Probability distributions returned by the optimisation routine demonstrate parameter uncertainties and the sensitivity of simulations to the different snow parameters. Results showed that SMRT was capable of reproducing a range of observed emissivities between 89 and 243 GHz. Varying correlation length alone allowed SMRT to capture much of the variability in the emissivity spectra; however, MAE (MAPE) decreased from 0.018 (3.0 %) to 0.0078 (1.2 %) overall when the thickness of the snow layers was also varied. When all three parameters were varied, simulations were similarly sensitive to both correlation length and density, although the influence of density was most evident when comparing spectra from snowpacks with and without surface snow. Simulations were most sensitive to surface snow and wind slab parameters, while sensitivity to depth hoar depended on the thickness and scattering strength of the layers above, demonstrating the importance of representing all three parameters for multi-layer snowpacks when modelling emissivity spectra. This work demonstrates the ability of SMRT to simulate snow emissivity at these frequencies and is a key step in the progress towards modelling emissivity for data assimilation in NWP.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».