MétaCan
Menu
Retour à la cohorte
Enregistrement W1986973695 · doi:10.1175/jcli-d-14-00366.1

Precipitable Water from GPS over the Continental United States: Diurnal Cycle, Intercomparisons with NARR, and Link with Convective Initiation

2014· article· en· W1986973695 sur OpenAlexafffund
Basivi Radhakrishna, Frédéric Fabry, John Braun, Teresa Van Hove

Notice bibliographique

RevueJournal of Climate · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueGNSS positioning and interference
Établissements canadiensMcGill University
Organismes subventionnairesGovernment of CanadaNational Science Foundation
Mots-clésRadiosondePrecipitable waterEnvironmental scienceDiurnal cycleClimatologyGlobal Positioning SystemMixing ratioMeteorologyAtmospheric sciencesWater vaporGeologyGeography

Résumé

récupéré en direct d'OpenAlex

Abstract The variation of precipitable water vapor (PW) over the continental United States is examined at various time scales using spatial maps of a column-averaged mixing ratio (CAMR) that is derived from integrated column PW from both observations and reanalysis data. CAMR spatial maps are generated utilizing PW measurements obtained from a network of ground-based global positioning system (GPS) receivers and the North American Regional Reanalysis (NARR) over a time span of 4 yr (February 2009–January 2013). The effect of topography on PW is mitigated by vertically averaging the mixing ratio instead of integrating the absolute humidity. An ordinary kriging interpolation technique is used to generate spatial maps of CAMR. The observed and predicted PW derived by GPS and NARR correlate well with each other at annual and monthly scales. When focusing on its diurnal cycle, moisture peaks in the late afternoon over the Great Plains and late night over the Rockies. It is also found that atmospheric moisture within NARR generally increases in the second half of the UTC day and is adjusted significantly lower when external observations, such as radiosondes, are assimilated into the analysis system. These adjustments in the analysis introduce nonphysical offsets that are not present within the GPS-derived moisture fields. At meso-β and meso-α scales, GPS PW fields can be used as a precursor to forecast convection up to 3 h prior to initiation. As stated previously, the correlation between GPS and NARR is high (>0.98) at monthly and seasonal time scales, but there is poor correlation at time scales less than a day. This indicates that the water budget within NARR is not in proper balance over these short-term time scales. Over the continental United States, daily cycles of PW and precipitation are coupled differently in different areas.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,048
Score d'incertitude au seuil0,096

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,206
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of ClimateMême sujetGNSS positioning and interferenceTravaux en français237 207