Detection of supercooled liquid in mixed‐phase clouds using radar Doppler spectra
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cloud phase identification from active remote sensors in the temperature range from 0 to −40°C, where both liquid and ice hydrometeor phases are sustainable, is challenging. Millimeter wavelength cloud radars (MMCR) are able to penetrate and detect multiple cloud layers. However, in mixed‐phase conditions, ice crystals dominate the radar signal, rendering the detection of liquid droplets from radar observables more difficult. The technique proposed here overcomes this fundamental limitation by using morphological features in MMCR Doppler spectra to detect supercooled liquid droplets in the radar sampling volume in the presence of ice particles. High lidar backscatter and near‐zero lidar depolarization measurements (good indicators of the presence of liquid droplets) from the Mixed‐Phase Arctic Clouds Experiment (MPACE) conducted in Barrow, Alaska, are used to train the technique and evaluate its potential for detecting mixed‐phase conditions. Ceilometer, microwave radiometer, and radiosonde measurements provide additional independent validation. Because of the ability of MMCRs to penetrate multiple liquid layers, this radar‐based technique does not suffer from the extinction limitations of lidars and is thus able to expand cloud phase identification methods to cloud regions beyond where lidars can penetrate, providing output at the native radar resolution. The technique is applicable to all profiling radars that have sufficient sensitivity to observe the small amount of liquid in mixed‐phase clouds.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle