MétaCan
Menu
Retour à la cohorte
Enregistrement W2577990050 · doi:10.1002/met.1613

Snowfall rate estimation using C‐band polarimetric radars

2017· article· en· W2577990050 sur OpenAlexafffundabout
Diar Hassan, Peter A. Taylor, George A. Isaac

Notice bibliographique

RevueMeteorological Applications · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiquePrecipitation Measurement and Analysis
Établissements canadiensImpactBarrie Urology GroupYork University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésNowcastingSnowRadarRemote sensingMeteorologyPolarimetryEnvironmental sciencePrecipitationWeather radarAlgorithmComputer scienceGeologyGeographyScatteringPhysics

Résumé

récupéré en direct d'OpenAlex

ABSTRACT: Radar quantitative precipitation estimation plays an important role in weather forecasting, nowcasting and hydrological models. This study evaluates the Sekhon and Srivastava (1970) snow water equivalent (SWE) algorithm currently implemented by the Canadian Radar Network of Environment and Climate Change Canada, suggests an improved algorithm and also evaluates the ability of polarimetric radars in estimating SWE. The radar data were collected from the dual polarimetric King City radar (CWKR) near Toronto, Ontario, and the Doppler Holyrood radar (CWTP) in Newfoundland. SWE data were collected at Oakville, Ontario, at Pearson International Airport (CYYZ), Toronto, Ontario, and at Mount Pearl, Newfoundland. The ground observations show that the polarimetric variables could be used to infer a few of the microphysical processes during snowfall. It is suggested that the co‐polar correlation co‐efficient (ρhv) could be sensitive to the size ranges of different snow habits. Also, higher differential reflectivity (Zdr) values were measured with large aggregates. The results show a severe underestimation of SWE rates by the Sekhon and Srivastava algorithm. One hour accumulations from each site were used to develop SWE(ZeH) and SWE(ZeH, ZDR) algorithms (ZeH and ZDR are the reflectivity factor and differential reflectivity, respectively). Similarly, algorithms were developed using SWE at 10 min intervals from CYYZ and Mount Pearl but these algorithms appeared to overestimate SWE. The hourly SWE accumulations from the three sites were combined to produce an additional SWE(ZeH) algorithm which showed better statistical results. A modest difference was found between the conventional and polarimetric algorithms for estimating snowfall amounts (SWE).

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 Opus0,070
Tête enseignante GPT0,290
Écart entre enseignants0,220 · 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

Citations10
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMeteorological ApplicationsMême sujetPrecipitation Measurement and AnalysisTravaux en français237 207