MétaCan
Menu
Retour à la cohorte
Enregistrement W2016212393 · doi:10.1144/1467-7873/05-093

Scanning lidar: a means of characterizing the Noranda-Hornesmelter plume

2006· article· en· W2016212393 sur OpenAlexaboutno aff
K. B. Strawbridge

Notice bibliographique

RevueGeochemistry Exploration Environment Analysis · 2006
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric aerosols and clouds
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPlumeLidarGeologyRemote sensingGeographyMeteorology

Résumé

récupéré en direct d'OpenAlex

The Meteorological Service of Canada has recently developed a mobile scanning lidar facility (RASCAL: Rapid Acquisition SCanning Aerosol Lidar) capable of fast azimuth and elevation scanning profiles of the lower troposphere. Lidar is a remote sensing technique that provides high temporal and spatial information on atmospheric particulates and was ideally suited for characterizing stack plume dynamics. RASCAL was located predominantly downwind of the Noranda-Horne smelter stack source located in northern Quebec. Two three-week periods during February (winter) and July/August (summer) of 2000 were chosen to examine the behaviour of the plume because of the differences in humidity and boundary layer dynamics. The scanning speeds were adjusted to allow a complete scanning profile to be collected within 30–60 seconds. Along-plume-axis and cross-sectional scans provided an opportunity to directly measure plume dynamics and interaction with the planetary boundary layer, including the ability to detect fumigation events. Several algorithms have been developed to quantify the area, shape, horizontal and vertical extents of the plume as a function of the distance from source. Examples are shown where the cross-sectional area of the plume remained constant at a given distance from source even though its shape was highly variable. Also, boundary layer height, wind speed and direction of the plume can be extracted from the RASCAL data under certain conditions. These data are valuable for comparison with model predictions as well as providing initialization input for long range dispersion models.

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)0,000
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 enseignants0,096
Score d'incertitude au seuil0,192

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,000
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 Opus0,007
Tête enseignante GPT0,188
Écart entre enseignants0,181 · 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

Citations12
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeochemistry Exploration Environment AnalysisMême sujetAtmospheric aerosols and cloudsTravaux en français237 207