A Machine Learning Framework for Predicting Microphysical Properties of Ice Crystals from Cloud Particle Imagery
Joseph Ko, Jerry Harrington, Kara Sulia, Vanessa Przybylo, Marcus van Lier-Walqui, Kara Lamb
冰晶的微观物理特性很重要,因为它们显着改变了云的辐射特性和时空分布,进而强烈影响地球的气候。 然而,测量冰晶的关键特性具有挑战性,例如质量或形态特征。 在这里,我们提出了一个框架,用于从原位二维(2D)图像中预测冰晶的三维(3D)微观物理特性。 首先,我们使用3D建模软件计算生成合成冰晶,以及2021年冰轮球(ICEBall)现场活动估计的几何参数。 然后,我们使用合成晶体来训练机器学习(ML)模型,以预测来自合成玫瑰图像的有效密度(ρ_e),有效的表面积(A_e)和子弹数(N_b)。 当在看不见的合成图像上进行测试时,我们发现我们的ML模型可以高精度地预测微观物理特性。 对于ρ_e和A_e,我们表现最佳的单视图模型分别实现了0.99和0.98的R^2值。 对于N_b,我们最好的单视图模型实现了平衡精度和F1得分0.91。 我们还量化了纳入第二个视图的边际预测改进。 立体视图 ResNet-18 型号将 RMSE 减少了 40
The microphysical properties of ice crystals are important because they significantly alter the radiative properties and spatiotemporal distributions of clouds, which in turn strongly affect Earth's climate. However, it is challenging to measure key properties of ice crystals, such as mass or morphological features. Here, we present a framework for predicting three-dimensional (3D) microphysical properties of ice crystals from in situ two-dimensional (2D) imagery. First, we computationally gener...
