MétaCan
Menu
Retour à la cohorte
Enregistrement W2593842892 · doi:10.1175/amsmonographs-d-16-0013.1

Ice-Phase Precipitation

2017· article· en· W2593842892 sur OpenAlexaff
Ismail Gültepe, Andrew J. Heymsfield, Paul R. Field, Duncan Axisa

Notice bibliographique

RevueMeteorological Monographs · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMeteorological Phenomena and Simulations
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésIce crystalsGraupelSnowEnvironmental scienceIce nucleusPrecipitationLiquid water contentCoalescence (physics)MeteorologyAtmospheric sciencesSnowflakeCloud physicsNucleationGeologyCloud computingPhysicsAstrobiologyThermodynamics

Résumé

récupéré en direct d'OpenAlex

Abstract Ice-phase precipitation occurs at Earth’s surface and may include various types of pristine crystals, rimed crystals, freezing droplets, secondary crystals, aggregates, graupel, hail, or combinations of any of these. Formation of ice-phase precipitation is directly related to environmental and cloud meteorological parameters that include available moisture, temperature, and three-dimensional wind speed and turbulence, as well as processes related to nucleation, cooling rate, and microphysics. Cloud microphysical parameters in the numerical models are resolved based on various processes such as nucleation, mixing, collision and coalescence, accretion, riming, secondary ice particle generation, turbulence, and cooling processes. These processes are usually parameterized based on assumed particle size distributions and ice crystal microphysical parameters such as mass, size, and number and mass density. Microphysical algorithms in the numerical models are developed based on their need for applications. Observations of ice-phase precipitation are performed using in situ and remote sensing platforms, including radars and satellite-based systems. Because of the low density of snow particles with small ice water content, their measurements and predictions at the surface can include large uncertainties. Wind and turbulence affecting collection efficiency of the sensors, calibration issues, and sensitivity of ground-based in situ observations of snow are important challenges to assessing the snow precipitation. This chapter’s goals are to provide an overview for accurately measuring and predicting ice-phase precipitation. The processes within and below cloud that affect falling snow, as well as the known sources of error that affect understanding and prediction of these processes, are discussed.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,034

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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0100,006

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 Opus0,057
Tête enseignante GPT0,301
Écart entre enseignants0,245 · 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

Citations52
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMeteorological MonographsMême sujetMeteorological Phenomena and SimulationsTravaux en français237 207