Global Precipitation Measurement Cold Season Precipitation Experiment (GCPEX): For Measurement’s Sake, Let It Snow
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract As a component of Earth’s hydrologic cycle, and especially at higher latitudes, falling snow creates snowpack accumulation that in turn provides a large proportion of the freshwater resources required by many communities throughout the world. To assess the relationships between remotely sensed snow measurements with in situ measurements, a winter field project, termed the Global Precipitation Measurement (GPM) Cold Season Precipitation Experiment (GCPEx), was carried out in the winter of 2011/12 in Ontario, Canada. Its goal was to provide information on the precipitation microphysics and processes associated with cold season precipitation to support GPM snowfall retrieval algorithms that make use of a dual-frequency precipitation radar and a passive microwave imager on board the GPM core satellite and radiometers on constellation member satellites. Multiparameter methods are required to be able to relate changes in the microphysical character of the snow to measureable parameters from which precipitation detection and estimation can be based. The data collection strategy was coordinated, stacked, high-altitude, and in situ cloud aircraft missions with three research aircraft sampling within a broader surface network of five ground sites that in turn were taking in situ and volumetric observations. During the field campaign 25 events were identified and classified according to their varied precipitation type, synoptic context, and precipitation amount. Herein, the GCPEx field campaign is described and three illustrative cases detailed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle