MétaCan
Menu
Retour à la cohorte
Enregistrement W2504009439 · doi:10.1002/joc.4838

Climatology of cold season lake‐effect cloud bands for the North American Great Lakes

2016· article· en· W2504009439 sur OpenAlexaboutno aff
Neil F. Laird, Nicholas D. Metz, Lauriana C. Gaudet, Coltin Grasmick, Lindsey Higgins, Carlee Loeser, David A. Zelinsky

Notice bibliographique

RevueInternational Journal of Climatology · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Illinois at Urbana-ChampaignFlorida State UniversityUniversity Corporation for Atmospheric ResearchNational Oceanic and Atmospheric AdministrationStockholms UniversitetNational Science Foundation
Mots-clésClimatologyEnvironmental scienceShoreSeasonalityGeostationary Operational Environmental SatellitePhysical geographySatelliteGeographyOceanographyGeologyEcology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Geostationary Operational Environmental Satellite (GOES) visible imagery was used to identify lake‐effect (LE) clouds in the North American Great Lakes region for the cold seasons (October–March) of 1997/1998 through 2013/2014 to provide a comprehensive climatological description of the seasonal and interannual variability of LE cloud bands. During the average cold season, at least 60% of days each month had LE clouds over some portion of the Great Lakes region and nearly 75% of all LE days had LE clouds present over several lakes simultaneously. Wind‐parallel bands (WPB) are observed far more frequently than any other type of LE over Lakes Superior, Michigan, and Huron during the months of December, January, and February. Over Lake Erie, the occurrence of days per month with WPB was found to be approximately 5–10% greater than days with shore‐parallel bands (SPBs) throughout the entire cold season. The greatest frequency of SPB occurrences in the Great Lakes region was over Lake Ontario during the months of January and February (∼20% of days). In addition, Lake Ontario was the only lake where the frequencies of WPB and SPB occurrences were fairly similar each month. The annual frequency of WPB occurrences are the most variable among the Great Lakes, decreasing in frequency from the western lakes toward the eastern lakes. Lake Ontario has the largest annual frequency of SPB occurrences and the greatest variation in SPB annual frequency. Lake Huron has the second largest annual frequency of SPB days with small interannual variation. The primary differences of the annual frequency of lake‐to‐lake (L2L) LE occurrences when compared with previous research were a greater variability in the L2L annual frequency of Superior‐to‐Michigan connections, greater frequency of Michigan‐to‐Huron connections, and less frequent occurrences for Superior‐to‐Huron and Michigan‐to‐Erie connections.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,290
Score d'incertitude au seuil0,576

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,278
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of ClimatologyMême sujetClimate variability and modelsTravaux en français237 207