The Hydromet Decision Support System: operational applications in hydrometeorology and flash flood prediction
Notice bibliographique
Résumé
Weather Decision Technologies (WDT) in collaboration with the National Severe Storms Laboratory (NSSL) in the USA, and the Regional Agency for Environmental Protection and Prevention of Veneto (ARPAV) in Italy have developed a severe weather monitoring and hydrometeorological package termed the Hydromet Decision Support System (HDSS). This system integrates data from radars, rain gauges, satellite and numerical models to provide high resolution Quantitative Precipitation Estimates (QPE) and Quantitative Precipitation Forecasts (QPF). The focus of this paper is to briefly describe the hydrometeorological components of the system that include: • radar quality control including clutter removal, brightband identification, hybrid scans, and scan filling • mosaicking of radars in the Veneto region • processing of the data using a suite of applications called Quantitative Precipitation Estimation and Segregation Using Multiple Sensors (QPE-SUMS) for the derivation of QPE fields • forecasts of radar reflectivity fields using the McGill Algorithm for Nowcasting Precipitation Using SemiLagrangian Extrapolation (MAPLE) • derivation of QPF fields using the results of MAPLE • a Flash Flood Prediction Algorithm (FFPA) which combines QPE and QPF values to forecast flash flood areas based on basin Flash Flood Guidance (FFG) values • automated alerting of basins that have exceeded,, or are forecast to, approach or exceed FFG values
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 | 0,001 | 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) | 0,003 | 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 ».