Analisi di spettri di radianza nel lontano infrarosso da misure in Antartide
Dalle misure effettuate nel progetto PRANA in Antartide, sono stati raccolti 87960 spettri di radianza, in cui sono comprese anche le lunghezze d’onda del lontano infrarosso. Un nuovo algoritmo machine learning CIC (Cloud Identification and Classification) ne ha analizzato le caratteristiche, divide...
| Main Author: | |
|---|---|
| Other Authors: | , , |
| Format: | Bachelor Thesis |
| Language: | Italian |
| Published: |
Alma Mater Studiorum - Università di Bologna
2020
|
| Subjects: | |
| Online Access: | http://amslaurea.unibo.it/21901/ http://amslaurea.unibo.it/21901/1/Tesi_Viviana_Volonnino.pdf |
| Summary: | Dalle misure effettuate nel progetto PRANA in Antartide, sono stati raccolti 87960 spettri di radianza, in cui sono comprese anche le lunghezze d’onda del lontano infrarosso. Un nuovo algoritmo machine learning CIC (Cloud Identification and Classification) ne ha analizzato le caratteristiche, dividendoli in tre classi in base alla scena meteorologica presente: cielo sereno (clear), nube d’acqua (water) e nube di ghiaccio (ice). 94 di questi spettri non sono risultati appartenere ad una determinata classe. In questa tesi si sono analizzate alcune delle possibili cause che non permettono al CIC di classificare gli spettri. In particolare, dal confronto con le immagini Lidar di depolarizzazione e backscatter, sono state delineate tre categorie principali in cui possono dividersi gli spettri non classificati: neve o aerosol trasportati dal vento; misure in un intervallo di tempo sufficientemente lungo da registrare un cambiamento della scena; infine nubi troppo sottili con caratteristiche radiative simili a quelle ottenute in presenza di cielo sereno. Per ognuna di queste è stato scelto un caso studio di cui si sono analizzati gli spettri di Brightness Temperature, i profili verticali di temperatura ed umidità relativa e i valori di direzione e velocità del vento relativi al giorno studiato. Ulteriori analisi sono necessarie per comprendere a pieno le ragioni che portano l’algoritmo a definire gli spettri come non classificati. Future espansioni del Training set, sia attraverso una maggiore caratterizzazione degli spettri che lo compongono, che per inclusione di nuove classi, come l’aerosol, o la possibilità di avere misure spettrali con un tempo di risoluzione minore potrebbero in parte risolvere questi problemi. |
|---|