Restitution du contenu en glace des nuages à partir de mesures à haute résolution spectrale dans l’infrarouge des instruments satellitaires IASI et IASI-NG
Bibliographic record
Abstract
Il est maintenant bien établi qu’une des plus grandes incertitudes concernant le bilan radiatif de la Terre provient de la méconnaissance à la fois de la microphysique et de la distribution horizontale et verticale de l’eau condensée des nuages de glace. Si les mesures actives des instruments de l’A-train ont permis une avancée significative en apportant une information sur la dimension verticale de l’eau condensée, leur couverture spatiale s’avère encore trop faible, comparée aux mesures passives, pour être utilisée de manière systématique pour contraindre les modèles climatiques. Outre leur forte contribution à l’amélioration des prévisions météorologiques grâce à l’assimilation des profils atmosphériquestels que la température ou la vapeur d’eau, les sondeurs infrarouges embarqués sur des plateformes en orbite polaire jouent désormais un rôle important dans le suivi de l’évolution de la composition atmosphérique. Cependant, les observations par ciel clair ne représentent qu’une faible proportion des mesures assimilées, la partie restante n’étant que peu utilisée car contaminée par des aérosols et/ou des nuages et donc plus difficile à traiter. L’objectif de ce travail est d’étudier la capacité des mesures à haute résolution spectrale dans l’infrarouge (effectuées par des instruments tels que IASI ou IASI-NG) pour (1) améliorer notre connaissance de la répartition verticale et horizontale de l’eau condensée dans les nuages de glace et (2) ouvrir une porte vers l’assimilation de ces mesures afin demieux contraindre la représentation des nuages de glace dans les modèles de prévision du temps. Une analyse du contenu en information, basée sur le formalisme de Shannon, a permis de déterminer le niveau et la répartition spectrale de l’information sur les propriétés des nuages de glace contenue dans les spectres IASI et IASI-NG. Sur la base de cette analyse, nous avons développé et testé un algorithme qui permet de restituer, à partir d’une approche d’estimation optimale, le contenu en eau glacée intégré ainsi que l’altitude de la couche nuageuse. Nous avons pris en compte le rapport Signal/Bruit de chaque instrument et les incertitudes liées aux paramètres atmosphériques et de surface noninversés. Le modèle direct employé est le modèle de transfert radiatif rapide RTTOV qui a été développé à l’origine pour l’assimilation de données satellitaires dans les modèles de prévision numérique du temps. Nous avons choisi un modèle microphysique pour lescristaux de glace basé sur le modèle d’ensemble de Baran et Labonnote (2007) dans lequel les propriétés optiques de la glace sont paramétrisées en fonction du contenu en glace (exprimé en g=m3) et de la température des nuages. Les résultats de ce travail montrent que les mesures à haute résolution spectrale dans l’infrarouge permettent de restituer avec une bonne précision l’altitude du sommet et le contenu en eau condensée des nuages de glace aussi bien dans le cas mono-couches que multi-couches. Ces mesures apportent également une information partielle sur l’épaisseur géométrique des nuages.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".