Optimizing Radar-Based Rainfall Estimators Using Machine Learning Modles
Notice bibliographique
Résumé
Weather radar research has produced numerous radar-based rainfall estimators based on climate, rainfall intensity, a variety of ground-truthing instruments and sensors (e.g., rain gauges, disdrometers), and techniques. Although each research direction gives improvement, their collective application in an operational sense still yields uncertainty in rainfall estimation at different times. This study aims to explore the concept of implementing Machine Learning (ML) models in choosing the optimal radar-based rainfall estimator from a group of estimators at each bin of a radar scan. The Canadian King City C-Band radar was used with a GEONOR T-200B rain gauge, a total of 263 sample points, to establish a group of polarimetric-based rainfall estimators (R(Z), R(Z, ZDR), R(KDP)). The estimators were used to train three ML models, namely Decision Tree, Random Forest, and Gradient Boost, to choose the optimal rainfall estimators based on radar variables (Z, ZDR, KDP). Data from the Canadian Exeter C-Band radar and a Texas Electronics TE525 tipping bucket gauge at a different location were used to verify the ML models and compare their results to the classic Marshall-Gunn (1952) Z-R relation and the composite estimator produced by Bringi et al. (2011). The results show promising results for the ML models, specifically the Gradient Boost model. These encouraging results need to be further explored with more sample points to further refine the ML mod
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,410 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».