Airborne Radar Observations of Lake-Effect Snowbands over the New York Finger Lakes
Notice bibliographique
Résumé
Abstract The vast majority of lake-effect snow research throughout the years has focused on the North American Great Lakes since they are often associated with strong lake-effect events that produce heavy downstream snowfall. This study investigates a lake-effect snow event that instead occurred over two smaller lakes, the New York Finger Lakes, which are just O (5) km wide and O (50) km long. A pair of well-defined snowbands that formed over Seneca and Cayuga Lakes, the two largest of the Finger Lakes, were sampled from above by a vertically pointing Doppler radar and lidar on board the University of Wyoming King Air (UWKA). With typical widths matching the widths of the lakes, and depths of less than 1000 m, the long-lake-axis-parallel bands were actually quite intense for their size. For example, updrafts of 2–3 m s −1 or greater within the band cores were common, and reflectivity occasionally exceeded 5 dB Z . Airborne dual-Doppler data show that both bands were sometimes accompanied by a well-defined thermally driven secondary circulation. Lidar data reveal that the Cayuga Lake band contained significantly more liquid water than the band over Seneca Lake, which was composed mainly of ice. Dissipating lake-effect ice clouds, carried downstream from Lake Ontario toward Seneca Lake, likely seeded the emerging convection over Seneca Lake, resulting in an accelerated depletion of liquid in the Seneca Lake band via more efficient snow growth.
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 | 0,001 | 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) | 0,012 | 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 ».