AGU Advances：使用机器学习重建被云遮蔽的沙尘羽流

卫星观测到的来自北非的沙尘羽流经常被云层遮蔽，一项新研究使用机器学习方法重建沙尘模式，展示了一种验证沙尘预测的新方法。

大气中有大量沙尘和沙粒来自北非。由于对北非地区沙尘羽流的地面观测很少，因此相关研究通常依赖于卫星观测。然而，沙尘羽流经常被云层遮蔽，因此很难对其完整的范围进行研究。

Kanngießer 和 Fiedler [2024] 使用机器学习方法来恢复有关 2021 年和 2022 年 9 点、12 点和 15 点（世界标准时间）云下沙尘羽流范围的信息。重建的沙尘模式为验证WMO西班牙巴塞罗那沙尘区域中心提供的沙尘预报集合提供了一种新的方法。该方法计算成本低，为评估沙尘输运模拟的质量提供了新的机会。该方法也可用于重建其他气溶胶和痕量气体羽流。

2017年2月21日北非一场大型沙尘暴的卫星图像。图片来源：NASA

以上点评英文原文发表于：AGU Eos Editors' Highlights，中文翻译仅供参考。

点评编辑：Don Wuebbles, Editor, AGU Advances

原文链接：https://eos.org/editor-highlights/using-machine-learning-to-reconstruct-cloud-obscured-dust-plumes

Text © 2024. The authors. CC BY-NC-ND 3.0

论文原文

扫码免费阅读原文

https://doi.org/10.1029/2023AV001042

开放科学

本文同行评审历史记录已在论文支持信息中公开。

关于期刊

AGU Advances 是AGU全力打造的金色开放获取(Gold Open Access)期刊，面向地球和空间科学的所有领域，发表全篇幅、高影响力的研究论文、评论和社论，旨在使整个地球和空间科学领域的重要科学进展更容易为更广大的公众获取，更加透明。期刊力求迅速发表对地球和空间科学有广泛影响的创新性研究成果，这里所说的影响包括：直接影响-能在一门学科内开辟新的研究方向的发现聚合影响-所报道的发现需要来自多个领域的科学家合作来解决一个超越单一学科追求的问题
社会影响-报告的研究结果要求社会采取行动，改变政策或在之前不相关的群体之间展开讨论在AGU Advances上发表文章的作者有额外的空间向读者提供其研究成果的重要性和相关背景。

2022年影响因子：8.4

5年影响因子：      8.4

从投稿到一审意见的中位数时间：59天

AGU新期刊JGR Machine Learning and Computation已开放投稿，点击上方图片或访问期刊主页了解详情

关注点击下方“阅读原文”访问AGU Advances 期刊主页，阅读更多精彩文献。