Notice bibliographique
Résumé
It is well known that rainfall rate can be estimated by analyzing the spectral character and level of the underwater sound that it generates. There have been a few field reports of increased sound levels associated with the occurrence of snow; these reports suggest an increase in sound levels above 20 kHz. It has previously been demonstrated that snowflakes can generate both a small impact sound and a separate high frequency pulse that is consistent with the sound generated by a resonant bubble. One aspect that these earlier studies have not explored is the dependence of this sound generation on the type or intensity of snowfall. We report on observations of sound generated by snow falling into a tank of water, quantifying snowfall rate using an Optical Scientific precipitation gauge. Recorded signals allowed analysis of frequencies between 1 and 50 kHz. Using the classification scheme of the International Association of Hydrological Sciences for snow, seven distinct snow types, as well as rain and freezing rain, were observed with a range of precipitation rates. Snow types that produced a signal included column, needle, irregular crystal, graupel and ice pellet. Snow types for which no signal was detected were plate, stellar crystal and spatial dendrite. The previously reported rise in high frequency sound could not be distinguished unambiguously in the present data. A small peak at around 12 kHz was seen in spectra of some snow types similar to the characteristic 14 kHz peak seen in some rain-generated sounds. There was a clear correlation between sound level and snowfall rate at frequencies above 10 kHz.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».