A machine learning based 24-h-technique for an area-wide rainfall retrieval using MSG SEVIRI data over Central Europe

Kühnlein, Meike

A machine learning based 24-h-technique for an area-wide rainfall retrieval using MSG SEVIRI data over Central Europe

The aim of the present study was to develop a 24-h-technique for the process-related and quantitative estimation of precipitation in connection with extra-tropical cyclones in the mid-latitudes based on MSG SEVIRI data using the machine learning algorithm random forest. The algorithms and approach...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Kühnlein, Meike
Άλλοι συγγραφείς:	Nauss, Thomas (Prof.) (Εισηγητής διατριβής)
Μορφή:	Dissertation
Γλώσσα:	Αγγλικά
Έκδοση:	Philipps-Universität Marburg 2014
Θέματα:	Wolkeneigenschaften Geowissenschaften Satellite remote sensing Wolken Random forests Cloud properties Precipitation Angewandte Geographie Meteosat-8 SEVIRI Satellitenfernerkundung Maschinelles Lernverfahren Maschine learning Clouds Niederschlag Earth sciences
Διαθέσιμο Online:	Πλήρες κείμενο PDF
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!

A machine learning based 24-h-technique for an area-wide rainfall retrieval using MSG SEVIRI data over Central Europe

Παρόμοια τεκμήρια