MétaCan
Menu
Retour à la cohorte
Enregistrement W2749275209 · doi:10.1175/amsmonographs-d-17-0002.1

Ice Fog: The Current State of Knowledge and Future Challenges

2017· article· en· W2749275209 sur OpenAlexaff
Ismail Gültepe, Andrew J. Heymsfield, M. W. Gallagher, Luisa Ickes, Darrel Baumgardner

Notice bibliographique

RevueMeteorological Monographs · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric aerosols and clouds
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceIce nucleusFogIcingIce crystalsIce cloudAtmospheric sciencesLead (geology)Sea ice growth processesMeteorologyClimate modelWater vaporAtmosphere (unit)ClimatologyClimate changeArctic ice packCloud computingSea iceDrift iceGeologyNucleationGeographyComputer scienceOceanography

Résumé

récupéré en direct d'OpenAlex

Abstract Ice fog is a natural, outdoor cloud laboratory that provides an excellent opportunity to study ice microphysical processes. Ice crystals in fog are formed through similar pathways as those in elevated clouds; that is, cloud condensation or ice nuclei are activated in an atmosphere supersaturated with respect to liquid water or ice. The primary differences between surface and elevated ice clouds are related to the sources of water vapor, the cooling mechanisms and dynamical processes leading to supersaturation, and the microphysical characteristics of the nuclei that affect ice fog crystal physical properties. As with any fog, its presence can be a hazard for ground or airborne traffic because of poor visibility and icing. In addition, ice fog plays a role in climate change by modulating the heat and moisture budgets. Ice fog wintertime occurrence in many parts of the world can have a significant impact on the environment. Global climate models need to accurately account for the temporal and spatial microphysical and optical properties of ice fog, as do weather forecast models. The primary handicap is the lack of adequate information on nucleation processes and microphysical algorithms that accurately represent glaciation of supercooled water fog. This chapter summarizes the current understanding of ice fog formation and evolution; discusses operating principles, limitations, and uncertainties associated with the instruments used to measure ice fog microphysical properties; describes the prediction of ice fog by the numerical forecast models and physical parameterizations used in climate models; identifies the outstanding questions to be resolved; and lists recommended actions to address and solve these questions.

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)0,007
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,009
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,003
Communication savante0,0060,011
Science ouverte0,0030,003
Intégrité de la recherche0,0050,004
Charge utile insuffisante (le modèle a refusé de juger)0,0160,005

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 Opus0,026
Tête enseignante GPT0,266
Écart entre enseignants0,241 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations56
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMeteorological MonographsMême sujetAtmospheric aerosols and cloudsTravaux en français237 207