MétaCan
Menu
Retour à la cohorte
Enregistrement W2552650548 · doi:10.1175/jtech-d-16-0088.1

Performance of Emerging Technologies for Measuring Solid and Liquid Precipitation in Cold Climate as Compared to the Traditional Manual Gauges

2016· article· en· W2552650548 sur OpenAlexaffabout
Faisal S. Boudala, George A. Isaac, Peter Filman, Robert Crawford, David Hudak, Martha C. Anderson

Notice bibliographique

RevueJournal of Atmospheric and Oceanic Technology · 2016
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiquePrecipitation Measurement and Analysis
Établissements canadiensDepartment of National DefenceGovernment of CanadaImpactBarrie Urology GroupEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésSnowEnvironmental sciencePrecipitationWind speedDrizzlePrecipitation typesMeteorologyAtmospheric sciencesClimatologyGeologyGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Precipitation amount, type, and snow depth ) have been analyzed using data collected during the 4Wing Cold Lake Research Project in northeastern Alberta, Canada. The instruments used include the Vaisala present weather detector PWD22 and present weather sensor (FS)11P, the OTT Pluvio2 automatic catchment-type gauge, the manual standard Canadian Nipher (CN) and Type B rain gauges, and a snow ruler. Both the PWD22 and FS11P performed well at detecting snow, rain, and drizzle events as compared to the human observer. The sensors predicted a higher frequency of ice pellet cases than the human observer. Segregation of precipitation phase using temperature alone appeared unrealistic at near-freezing temperatures. All the sensors agreed well at measuring liquid precipitation, but the Pluvio2 gauge with a single Alter shield underestimated the snowfall amount by 40%, mostly due to wind effects. After correcting the CN gauge catch efficiency (CE) due to wind effects, the CE of the Pluvio2 relative to the CN gauge was found dependent on wind speed (ws). Using these data, a new transfer function (TF) for the Pluvio2 as a function of ws has been developed. The new TF was used to correct the Pluvio2 gauge, and the corrected data agreed well with the PWD22 measurements. Using the and corrected CN data, snow density ratios ( were derived, varying from 4.2 to 35 with a mean value of 12.2. The mean value derived in this study is higher than the 10:1 ratio usually assumed for converting to snow water equivalent in Canada. On average increases with increasing temperature and the 10:1 ratio appears to be more appropriate for warmer temperatures.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
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 Opus0,020
Tête enseignante GPT0,232
Écart entre enseignants0,212 · 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'étudeExpérimental (laboratoire)
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

Citations22
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Atmospheric and Oceanic TechnologyMême sujetPrecipitation Measurement and AnalysisTravaux en français237 207