Aircraft Icing Study Using Integrated Observations and Model Data
Notice bibliographique
Résumé
Abstract Light (LGT) to moderate (MOD) aircraft icing (AI) is frequently reported at Cold Lake, Alberta, but forecasting AI has been a big challenge. The purpose of this study is to investigate and understand the weather conditions associated with AI based on observations in order to improve the icing forecast. To achieve this goal, Environment and Climate Change Canada in cooperation with the Department of National Defence deployed a number of ground-based instruments that include a microwave radiometer, a ceilometer, disdrometers, and conventional present weather sensors at the Cold Lake airport (CYOD). A number of pilot reports (PIREPs) of icing at Cold Lake during the 2016/17 winter period and associated observation data are examined. Most of the AI events were LGT (76%) followed by MOD (20%) and occurred during landing and takeoff at relatively warm temperatures. Two AI intensity algorithms have been tested based on an ice accumulation rate (IAR) assuming a cylindrical shape moving with airspeed υa of 60 and 89.4 m s−1, and the Canadian numerical weather prediction model forecasts. It was found that the algorithms IAR2 with υa = 89.4 m s−1 and IAR1 with υa = 60 m s−1 underestimated (overestimated) the LGT (MOD) icing events, respectively. The algorithm IAR2 with υa = 60 m s−1 appeared to be more suitable for forecasting LGT icing. Over all, the hit rate score was 0.33 for the 1200 UTC model run and 0.6 for 0000 UTC run for both algorithms, but based on the individual icing intensity scores, the IAR2 did better than IAR1 for forecasting LGT icing events.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».