Machine Learning Detection of Melting Layers From Radar Observations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Melting layers in the atmosphere signify where falling ice hydrometeors melt into raindrops, and can be identified by discernible radar signatures. Accurate detection of melting layers is crucial to improving quantitative precipitation estimation, weather forecasts, microwave communication, and aviation risk assessments in a changing climate. Traditional detection algorithms based on fixed thresholds or a priori assumptions lack general robustness across diverse weather conditions, which can be addressed by leveraging machine learning techniques. This study presents a binary semantic segmentation U‐Net model for automatic detection of melting layers, using Ka‐band vertical profiling ground radar observations collected at the North Slope of Alaska between March 2015 and February 2016. An interactive data extraction tool, ClickCollect, has been developed to generate a labeled data set of melting layer boundaries from radar observations during all seasons. Results show that the U‐Net effectively detects 96% of the melting layer cases, and is applicable to complex weather conditions including heavy precipitation with velocity folding, multiple layer melting, and near‐surface melt layers. Compared to a traditional detection method, the U‐Net model increases the Probability of Detection by 57% and improves the mean Dice‐Sørensen coefficient from 0.69 to 0.91. Furthermore, the U‐Net model provides additional information of detection uncertainty based on ensemble predictions. The U‐Net model and the data extraction tool can be applied to similar profiling radar instruments in different regions of the world, contributing to an enhanced understanding of the distribution and variations of melting layers.
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.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle