Updates to Hourly Climate Data for Use in AASHTOWare Pavement Mechanistic–Empirical Design
Notice bibliographique
Résumé
The AASHTOWare Pavement Mechanistic–Empirical Design software requires hourly temperature, wind speed, percentage sunshine, precipitation, and relative humidity to properly calculate pavement damage and distresses. Actual or measured values, which vary hourly throughout a day for a given site, are required to properly capture the damage caused by environmental loadings. Currently the mechanistic–empirical design hourly climatic data contain approximately 1,200 U.S. and 300 Canadian stations. The U.S. stations typically contain data from 1995 through 2005, and data from the Canadian stations vary in length from 10 to 50 years, with the exception of some weather stations. Some agencies expanded their historical weather data to include longer periods of time. This paper documents the process and data sources that were used to update the current set of climate stations with climate data dating back to 1979 using the North American Regional Reanalysis (NARR) database. The results of the comparison between new climate files and the existing older climate data files for use in pavement design are presented. Overall, the NARR-generated climate data showed a very good comparison. The paper details the background of the NARR and its limitations and compares the performance predictions made by using the old and new climate data. The results indicate there is no systematic bias between the two climate data sets.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».