ContrailBench: evaluating the performance of contrail models
Notice bibliographique
Résumé
The development of effective contrail warming mitigation strategies requires the ability to accurately model contrail formation. This is a challenging problem for a number of reasons, including high uncertainty in the humidity data which is a key component of such models. Observational datasets can be used to constrain and improve contrail formation models. Here we present an analysis of existing contrail models on the task of predicting whether a contrail will be observed in a collection of observational datasets (collectively termed 'ContrailBench'). The observational datasets include one based on Ref [1] using automated contrail detections from the GOES-16 satellite and an automated contrail attribution algorithm, another based on Ref [2] which detects contrails using GOES-16 and uses knowledge of the altitude from LIDAR measurements to attribute them to flights, and a third dataset based on Global Meteor Network ground-based camera imagery [3] with automated contrail detection and high-confidence attribution to the flights that formed them. Different downstream applications require different properties from contrail models, so we evaluate the contrail models based on their performance in both ‘high-recall’ mode (which prioritizes identifying all the flights which make contrails) as well as in ‘high-precision’ mode (which prioritizes minimizing the number of flights incorrectly predicted as forming a contrail). We find that models using raw ERA5 weather reanalysis data perform poorly on all metrics, but the use of machine learning to correct the weather data can lead to improvement. [1] A. Sarna et al, “Benchmarking and improving algorithms for attributing satellite-observed contrails to flights”, https://doi.org/10.5194/egusphere-2024-3664[2] V. Meijer, thesis, “Satellite-based Analysis and Forecast Evaluation of Aviation Contrails”[3] D. Vida et al, “The Global Meteor Network – Methodology and first results” https://doi.org/10.1093/mnras/stab2008
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 | 0,010 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».