.png){kind=icon}
返回
A Deep Learning Approach for Retrieving Cloud Microphysical Parameters with Multi-Frequency Cloud Radar
.png){kind=icon}
PRE
AI
DOI：10.1007/s00376-026-5772-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高精度云微物理参数反演对于推进云物理学研究及改进天气和气候模型至关重要。为应对观测数据稀缺问题，本研究基于X/Ka/W波段云雷达的正演模拟数据，开发了一种多频残余注意力网络（MiRA-Net）。该模型可反演液态水含量（LWC）、冰水含量（IWC）、有效半径（Re）和粒子类型（Ptype），并与多项式拟合（polyfit）和随机森林（RF）方法进行对比评估。结果表明，多频观测显著提升了反演精度。MiRA-Net优于其他方法，LWC反演均方根误差（RMSE）为0.178，显著低于RF（0.251）和polyfit（0.256）。利用双频（W/Ka）线性退极化比（LDR），MiRA-Net的IWC反演RMSE达到0.038，较RF提升63%，相关系数接近1.000。即使无LDR数据，RMSE仍低至0.054，表明其具有优异的鲁棒性。独立野外观测验证了其实用价值，两种情况下IWC反演相关系数分别达到0.78和0.87。
期刊
IF:
5.5
论文数:
9.6K
被引数:
6.9K
机构
引用论文
Grasmick, C.; Geerts, B.; French, J.R.; Haimov, S.; Rauber, R.M. Estimating Microphysics Properties in Ice-Dominated Clouds from Airborne Ka-W-Band Dual-Wavelength Ratio Reflectivity Factor in Close Proximity to in Situ Probes. J. Atmos. Ocean. Technol. 2022, 39, 1815–1833. [Google Scholar] [CrossRef]Grasmick, C.; Geerts, B.; French, J.R.; Haimov, S.; Rauber, R.M. 通过机载Ka-W波段双波长比反射率因子在接近原位探头的区域估算冰主导云的微物理特性。J. Atmos. Ocean. Technol. 2022, 39, 1815–1833. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏A TRANSFORMATIONAL APPROACH TO WINTER OROGRAPHIC WEATHER MODIFICATION RESEARCH The SNOWIE Project
PREAI
分享收藏
分享收藏
分享收藏
查看更多内容