MétaCan
Menu
Retour à la cohorte
Enregistrement W1996367659 · doi:10.1175/2009jtecha1332.1

PARSIVEL Snow Observations: A Critical Assessment

2009· article· en· W1996367659 sur OpenAlexaboutno aff
Alessandro Battaglia, Elke Rustemeier, Ali Tokay, Ulrich Blahak, Clemens Simmer

Notice bibliographique

RevueJournal of Atmospheric and Oceanic Technology · 2009
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric aerosols and clouds
Établissements canadiensnon disponible
Organismes subventionnairesDeutsche Forschungsgemeinschaft
Mots-clésSnowflakeSnowDisdrometerCloud physicsMeteorologyLidarEnvironmental scienceRemote sensingSatellitePrecipitationParticle (ecology)Atmospheric sciencesPhysicsComputer scienceGeologyCloud computing

Résumé

récupéré en direct d'OpenAlex

Abstract The performance of the laser-optical Particle Size Velocity (PARSIVEL) disdrometer is evaluated to determine the characteristics of falling snow. PARSIVEL’s measuring principle is reexamined to detect its limitations and pitfalls when applied to solid precipitation. This study uses snow observations taken during the Canadian Cloudsat/Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation (CALIPSO) Validation Project (C3VP) campaign, when two PARSIVEL instruments were collocated with a single two-dimensional disdrometer (2-DVD), which allows more detailed observation of snowflakes. When characterizing the snowflake size, PARSIVEL instruments inherently retrieve only one size parameter, which is approximately equal to the widest horizontal dimension (more accurately with large snowflakes) and that has no microphysical meaning. Unlike for raindrops, the equivolume PARSIVEL diameter—the PARSIVEL output variable—has no physical counterpart for snowflakes. PARSIVEL’s fall velocity measurement may not be accurate for a single snowflake particle. This is due to the internally assumed relationship between horizontal and vertical snow particle dimensions. The uncertainty originates from the shape-related factor, which tends to depart more and more from unity with increasing snowflake sizes and can produce large errors. When averaging over a large number of snowflakes, the correction factor is size dependent with a systematic tendency to an underestimation of the fall speed (but never exceeding 20%). Compared to a collocated 2-DVD for long-lasting events, PARSIVEL seems to overestimate the number of small snowflakes and large particles. The disagreement between PARSIVEL and 2-DVD snow measurements can only be partly ascribed to PARSIVEL intrinsic limitations (border effects and sizing problems), but it has to deal with the difficulties and drawbacks of both instruments in fully characterizing snow properties.

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)0,007
score de la tête « metaresearch » (Gemma)0,014
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,009
Tête enseignante GPT0,256
Écart entre enseignants0,247 · 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

Citations317
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Atmospheric and Oceanic TechnologyMême sujetAtmospheric aerosols and cloudsTravaux en français237 207