التفاصيل البيبلوغرافية
| العنوان: |
Machine Learning Approach to Investigating the Relative Importance of Meteorological and Aerosol-Related Parameters in Determining Cloud Microphysical Properties ... : نهج التعلم الآلي للتحقيق في الأهمية النسبية للمعلمات المتعلقة بالأرصاد الجوية والهباء الجوي في تحديد الخصائص الفيزيائية الدقيقة للسحابة ... |
| المؤلفون: |
Frida A.‐M. Bender, Tobias Lord, Anna Staffansdotter, Verena Jung, Sabine Undorf |
| بيانات النشر: |
OpenAlex |
| سنة النشر: |
2024 |
| المجموعة: |
DataCite Metadata Store (German National Library of Science and Technology) |
| مصطلحات موضوعية: |
Aerosols' Impact on Climate and Hydrological Cycle, Global and Planetary Change, Environmental Science, Physical Sciences, Atmospheric Aerosols and their Impacts, Atmospheric Science, Earth and Planetary Sciences, Machine Learning Methods for Solar Radiation Forecasting, Artificial Intelligence, Computer Science, Forecasting, Machine Learning, Aerosol Formation, Aerosol, Cloud computing, Environmental science, Meteorology, Linear regression, Effective radius, Mean squared error, Cloud fraction, Cloud height, Atmospheric sciences, Cloud cover, Computer science, Statistics, FOS Mathematics, Mathematics, Geography, Geology |
| الوصف: |
Aerosol effects on cloud properties are notoriously difficult to disentangle from variations driven by meteorological factors. Here, a machine learning model is trained on reanalysis data and satellite retrievals to predict cloud microphysical properties, as a way to illustrate the relative importance of meteorology and aerosol, respectively, on cloud properties. It is found that cloud droplet effective radius can be predicted with some skill from only meteorological information, including estimated air mass origin and cloud top height. For ten geographical regions the mean coefficient of determination is 0.41 and normalised root-mean square error 24%. The machine learning model thereby performs better than a reference linear regression model, and a model predicting the climatological mean. A gradient boosting regression performs on par with a neural network regression model. Adding aerosol information as input to the model improves its skill somewhat, but the difference is small and the direction of the ... : من المعروف أنه من الصعب فصل تأثيرات الهباء الجوي على خصائص السحابة عن الاختلافات الناجمة عن عوامل الأرصاد الجوية. هنا، يتم تدريب نموذج التعلم الآلي على بيانات إعادة التحليل واسترجاع الأقمار الصناعية للتنبؤ بالخصائص الفيزيائية الدقيقة للسحابة، كوسيلة لتوضيح الأهمية النسبية للأرصاد الجوية والهباء الجوي، على التوالي، على خصائص السحابة. وجد أنه يمكن التنبؤ بنصف قطر قطرة السحب الفعال ببعض المهارة من معلومات الأرصاد الجوية فقط، بما في ذلك أصل الكتلة الهوائية المقدرة والارتفاع العلوي للسحب. بالنسبة لعشر مناطق جغرافية، يبلغ متوسط معامل التحديد 0.41 وخطأ مربع الجذر المعياري 24 ٪. وبالتالي فإن نموذج التعلم الآلي يؤدي بشكل أفضل من نموذج الانحدار الخطي المرجعي، ونموذج التنبؤ بالمتوسط المناخي. يعمل الانحدار المعزز للتدرج على قدم المساواة مع نموذج انحدار الشبكة العصبية. تعمل إضافة معلومات الهباء الجوي كمدخلات إلى النموذج على تحسين مهارته إلى حد ما، ولكن الفرق صغير واتجاه تأثير تغيير عبء الهباء الجوي على نصف القطر الفعال لقطرات السحب غير متسق عبر المناطق، وبالتالي لا يتسق دائمًا مع ما هو متوقع من إشراق السحب. ... |
| نوع الوثيقة: |
text |
| اللغة: |
English |
| العلاقة: |
https://dx.doi.org/10.60692/s2719-56334Test |
| DOI: |
10.60692/d5qfw-0mg26 |
| الإتاحة: |
https://doi.org/10.60692/d5qfw-0mg2610.60692/s2719-56334Test |
| حقوق: |
cc-by |
| رقم الانضمام: |
edsbas.D529A981 |
| قاعدة البيانات: |
BASE |
