Measuring diameters and velocities of artificial raindrops with a neuromorphic event camera
Notice bibliographique
Résumé
Abstract. Hydrometers that measure size and velocity distributions of precipitation are needed for research and corrections of rainfall estimates from weather radars and microwave links. Existing optical disdrometers measure droplet size distributions, but underestimate small raindrops and are impractical for widespread always-on IoT deployment. We study the feasibility of measuring droplet size and velocity using a neuromorphic event camera. These dynamic vision sensors asynchronously output a sparse stream of pixel brightness changes. Droplets falling through the plane of focus of a steeply down-looking camera create events generated by the motion of the droplet across the field of view. Droplet size and speed are inferred from the hourglass-shaped stream of events. Using an improved hard disk arm actuator to reliably generate artificial raindrops with a range of small sizes, our experiments show maximum errors of 7 % (mean absolute percentage error) for droplet sizes from 0.3 to 2.5 mm and speeds from 1.3 to 8.0 m s−1. Measurements with the same setup from a commercial PARSIVEL disdrometer show similar results. Both devices slightly overestimate the small droplet volume with a volume overestimation of 25 % from the event camera measurements and 50 % from the PARSIVEL instrument. Each droplet requires processing of 5000 to 50 000 brightness change events, potentially enabling low-power always-on disdrometers that consume power proportional to the rainfall rate. Data and code are available at the paper website https://sites.google.com/view/dvs-disdrometer/home (Micev et al., 2023).
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 ».