Remote sensing of the tropospheric attenuation using ground-based radiometers : a mixed phisically-based/machine learning approach

A large database of radiometric brightness temperatures, radiosoundings, and satellite beacon data was utilized to assess the accuracy of microwave radiometers (MWR) in estimating the tropospheric attenuation in all weather conditions at mm and sub-mm wavelengths. The mass absorption model proposed by Liebe have been used coupled with the TKK cloud-detection model to derive radiometric coefficients. These coefficients were used togheter with processed radiometric data to derive the total tropospheric attenuation $A$ in any condition. After confirming that the MWR accuracy decreases during rainy events, a new approach involving machine learning techniques was attempted. The results confirm that the neural networks can improve the reliability of the radiometric estimation under rainy conditions, and that a mixed physically/machine learning approach can obtain good results in any atmospheric condition.

Un gran database di temperature di brillanza radiometriche, radiosondaggi, e dati beacon satellitari è stato utilizzato per valutare l'accuratezza dei radiometri a microonde (MWR) nello stimare l' attenuazione troposferica in tutte le condizioni meteorologiche a lunghezze d'onda dell' ordine dei millimetri e dei micrometri. Il modello di assorbimento di massa proposto da Liebe è stato usato in combinazione con il modello TKK di rilevazione delle nuvole per derivare dei coefficienti radiometrici. Questi coefficienti sono stati usati insieme a dati radiometrici processati per trovare l' attenuazione troposferica totale $A$ in ogni tipo di condizione. Dopo aver confermato che l' accuratezza dei radiometri diminuisce durante eventi piovosi, un nuovo approccio basato su tecniche di machine learning è stato provato. I risultati confermano che l'utilizzo di reti neurali può migliorare l' affidabilità delle stime radiometriche in condizioni di pioggia, e che un approccio misto basato su modello fisico/machine learning può ottenere buoni risultati in ogni condizione atmosferica.