MétaCan
Menu
Retour à la cohorte
Enregistrement W2012417007 · doi:10.1080/07055900.2013.865156

Comparison of Winter Precipitation Measurements by Six Tretyakov Gauges at the Valdai Experimental Site

2013· article· en· W2012417007 sur OpenAlexaffvenue
Daqing Yang, Antonina Simonenko

Notice bibliographique

RevueATMOSPHERE-OCEAN · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésSnowPrecipitationEnvironmental scienceWind speedRain gaugeClimatologyAtmospheric sciencesMeteorologyGeographyGeology

Résumé

récupéré en direct d'OpenAlex

Analyses of long-term (1991Analyses of long-term ( -2010) ) intercomparison data quantify the consistency of winter precipitation observations by six identical Tretyakov gauges at the Valdai research station in Russia.Relative to the standard Tretyakov gauge, the mean catch ratios are 97 to 106% for dry snow, 94 to 104% for wet snow, 87 to 109% for blowing snow, 96 to 103% for mixed precipitation, and 98 to 101% for winter rain.The differences between the highest and lowest mean catches are about 10 to 11% for snow, 7% for mixed precipitation, and 3% for rain.On average, this difference is about 0.2 mm over the 12-hour observation period.The catch difference for blowing snow is much higher, up to 22%, or an average of 0.6 mm per observation.Comparisons of 12-hour observations show better consistency in gauge performance for low snowfall events and a large variation in gauge catch for high snowfall events.The differences in 12-hour snow catches are mostly less than 2 mm among the six gauges.The differences in the 12-hour observations are less than 1% for rain and 4% for mixed precipitation.Close linear relationships exist between the 12-hour gauge observations for all precipitation types.The maximum differences in gauge snow catches increase very weakly with wind speed, and higher differences are associated with warmer temperatures, from -5C to 0C.There is, however, no significant relationship between the maximum catch difference and the mean wind speed or temperature over the 12-hour period.RSUM [Traduit par la rdaction] Les analyses des donnes comparatives long terme (1991-2010) permettent de quantifier la cohrence des observations de prcipitations hivernales faites au moyen de six nivomtres Tretyakov identiques la station de recherche de Valdai, en Russie.En ce qui concerne le nivomtre Tretyakov standard, les rapports de capture moyens vont de 97 106% pour la neige sche, de 94 104% pour la neige mouille, de 87 109% pour la chasse-neige leve, de 96 103% pour les prcipitations mixtes et de 98 101% pour la pluie hivernale.Les diffrences entre les captures les plus fortes et les plus faibles sont d'environ 10 11% pour la neige, 7% pour les prcipitations mixtes et 3% pour la pluie.En moyenne, cette diffrence est d'environ 0,2 mm pour la priode d'observation de 12 heures.La diffrence de capture pour la chasse-neige leve est beaucoup plus grande, jusqu' 22%, soit une moyenne de 0,6 mm par observation.Les comparaisons des observations sur 12 heures affichent une meilleure cohrence dans les mesures des nivomtres pour les faibles chutes de neige et une grande variation dans les captures pour les fortes chutes de neige.Les diffrences dans les captures de neige sur 12 heures sont dans l'ensemble infrieures 2 mm parmi les six nivomtres.Les diffrences dans les observations sur 12 heures sont infrieures 1% pour la pluie et 4% pour les prcipitations mixtes.Il existe des relations linaires troites entre les observations nivomtriques sur 12 heures pour tous les types de prcipitations.Les diffrences maximales entre les captures de neige par les nivomtres augmentent trs faiblement avec la vitesse du vent et des diffrences plus grandes s'observent quand la temprature est plus leve, de -5 C 0 C.Il n'y a cependant aucun lien significatif entre la diffrence de capture maximale et la vitesse de vent ou la temprature moyennes durant la priode de 12 heures.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,468
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0140,001

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 Opus0,030
Tête enseignante GPT0,278
Écart entre enseignants0,248 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations18
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueATMOSPHERE-OCEANMême sujetClimate variability and modelsTravaux en français237 207