Variability of Drop Size Distributions: Noise and Noise Filtering in Disdrometric Data
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
Abstract Disdrometric measurements are affected by the spurious variability due to drop sorting, small sampling volume, and instrumental noise. As a result, analysis methods that use least squares regression to derive rainfall rate–radar reflectivity (R–Z) relationships or studies of drop size distributions can lead to erroneous conclusions. This paper explores the importance of this variability and develops a new approach, referred to as the sequential intensity filtering technique (SIFT), that minimizes the effect of the spurious variability on disdrometric data. A simple correction for drop sorting in stratiform rain illustrates that it generates a significant amount of spurious variability and is prominent in small drops. SIFT filters out this spurious variability while maintaining the physical variability, as evidenced by stable R–Z relationships that are independent of averaging size and by a drastic decrease of the scatter in R–Z plots. The presence of scatter causes various regression methods to yield different best-fitted R–Z equations, depending on whether the errors on R or Z are minimized. The weighted total least squares (WTLS) solves this problem by taking into account errors in both R and Z and provides the appropriate coefficient and exponent of Z = aRb. For example, with a simple R versus Z least squares regression, there is an average fractional difference in a and b of Z = aRb of 17% and 14%, respectively, when compared with those derived using WTLS. With Z versus R regression, the average fractional difference in a and b is 19% and 12%, respectively. This uncertainty in the R–Z parameters may explain 40% of the “natural variability” claimed in the literature but becomes negligible after applying SIFT, regardless of the regression methods used.
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 | 0,002 | 0,001 |
| 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) | 0,001 | 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 découle