Accuracy of Weather Data in Long-Term Pavement Performance Program Database
Notice bibliographique
Résumé
To provide accurate climatic data for pavements under the Long-Term Pavement Performance (LTPP) Program, a climatic database was developed in 1992 and subsequently revised and expanded in 1998. In the development of this database, up to five nearby weather stations were selected for each test site. Pertinent weather data for the selected weather stations were obtained from the U.S. National Climatic Data Center and the Canadian Climatic Center. With a 1/ R 2 weighting scheme, site-specific climatic data were derived from the nearby weather station data. The derived data were referred to as “virtual”weather data. To evaluate the effect of environmental factors on pavement performance and design, automated weather stations (AWS) were installed at LTPP Specific Pavement Study Projects 1, 2, and 8 to collect on-site weather data. Since the virtual weather data were developed for all LTPP test sites and will be used for future pavement performance studies, it is essential that the derived virtual data be accurate and representative of the actual onsite climatic conditions. The availability of the AWS weather data has provided an opportunity to evaluate whether virtual weather data can be used to represent on-site weather conditions. Daily temperature data and monthly temperature and precipitation data were used in this experiment. On the basis of the comparisons made between the virtual and onsite measured (AWS) data, it appears that climatic data derived from nearby weather stations using the 1/R 2 weighting scheme estimate the actual weather data reasonably well and thus can be used to represent on-site weather conditions in pavement research and design.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».