Radar Network–Based Detection of Mesocyclones at the German Weather Service
Notice bibliographique
Résumé
Abstract The radar network of the German Weather Service [Deutscher Wetterdienst (DWD)] provides 3D Doppler data in high spatial and temporal resolution, supporting the identification and tracking of dynamic small-scale weather phenomena. The software framework Polarimetric Radar Algorithms (POLARA) has been developed at DWD to better exploit the capabilities of the existing remote sensing data. The data processing and quality assurance implemented in POLARA include a dual-PRF dealiasing algorithm with error correction. Azimuthal shear information is derived and processed in the mesocyclone detection algorithm (MCD). Low- and midlevel azimuthal shear and track products are available as composite (multiradar) products. Azimuthal shear may be considered as a proxy for rotation. The MCD results and azimuthal shear products are part of the severe weather detection algorithms of DWD and are provided to the forecaster on the NinJo meteorological workstation system. The forecaster analyzes potentially severe cells by combining near-storm environment data with the MCD product as well as with the instantaneous azimuthal shear products (mid- and low level) and their tracks. These products and tracks are used to diagnose threat potential by means of azimuthal shear intensity and track longevity. Feedback from forecasters has shown the utility of the algorithms to analyze and diagnose severe convective cells in Germany and in adjacent Europe. In this paper, the abovementioned algorithms and products are presented in detail and case studies illustrating usability and performance are shown.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».