Rain detection for rain-contaminated ground-based microwave radiometer data using physics-informed machine learning method
Notice bibliographique
Résumé
Because the radiation signal is strongly influenced by emission and scattering from rain, microwave radiometer data suffer from rain contamination. The traditional method of using rain gauges to detect rain for microwave radiometers has limitations. For example, it can only detect rain that reaches the ground and is ineffective for raindrops suspended in the atmosphere that can still contaminate remote sensing data. This article presents a rain detection method for microwave radiometer measurements, based on Gradient Boosted Decision Trees (GBDT). First, the characteristic that the increase in microwave radiometer brightness temperature when raindrops are present in the atmosphere, along with the seasonal dependency of rainfall patterns, is combined with meteorological variables to form feature vectors. Then, the GBDT is employed to classify data into rain-free and rain-contaminated categories. Microwave radiometer (MWR) measurements and simultaneous Micro Rain Radar (MRR) target classification collected from the Swiss Plateau in 2008 are utilized to train the model, which is subsequently tested using two testing schemes: ten-fold cross-validation technique and time series test sets. Compared with the detection accuracy of the integrated liquid water (ILW) threshold method (73.6% and 68.3%) in both testing schemes, our GBDT-based method achieved superior accuracy, recording approximately 100% and 98.4%, respectively. The proposed method exhibits strong generalization capabilities, allowing it to directly detect rain contamination in time series data and effectively overcome the time dependence of rainfall occurrence. In addition, compared with the ILW threshold method, the GBDT-based method considers various rainfall patterns contained in various seasons. Features selected for this method enable its direct application to other tropospheric microwave radiometer systems.
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 | 0,002 |
| Science ouverte | 0,002 | 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 ».