发表于Earth and Space Science的一项新研究运用机器学习方法，基于卫星被动式微波探测仪观测数据，并通过高质量的星载雷达提供的降雪数据进行训练，来获取全球降雪的发生和速率。
编辑点评
全球降雪量的测量对于水文应用和了解全球能量和水循环具有重要意义。CloudSat雷达的卫星观测提供了相对高质量的全球降雪量估算。然而，CloudSat的使用期限有限，时间采样相对较差，限制了其在长期降雪监测中的应用。
Adhikari等人[2020]利用微波湿度测深仪(microwave humidity sounder, MHS)和CloudSat降雪量的同步观测，采用机器学习方法从MHS估计全球降雪量和降雪速率，提供了比CloudSat更高的时间采样和更长的记录。估算的降雪量与独立的CloudSat数据相比良好，优于全球降水气候学项目(Global Precipitation Climatology Project, GPCP)产品中使用的大气红外探测器(Atmospheric Infrared Sounder, AIRS)和目前使用GPROF(Goddard Profiling Algorithm)降水反演算法从MHS得到的降水量估计。
基于不同方法获取的降雪速率空间格局的比较，图a: 地面雷达观测; 图b: 再分析产品; 图c: NASA现有官方降水产品；图d: 机器学习方法。该降水事件2010年12月20日发生于美国。
资料来源: Adhkiari等 [2020]，图7
以上编辑评论英文原文发表于：AGU Eos，中文翻译仅供参考。
点评编辑：Jonathan H. Jiang(蒋红涛), Editor, Earth and Space Science
原文链接：
https://eos.org/editor-highlights/using-machine-learning-to-detect-and-estimate-global-snowfall
Text © 2020. The authors. CC BY-NC-ND 3.0
论文信息
